Modelo de Pesos Abertos
Um modelo de pesos abertos é um sistema de IA cujos pesos de parâmetros treinados são divulgados publicamente, permitindo que qualquer pessoa baixe, execute e modifique o modelo sem acessar a infraestrutura do desenvolvedor original.
Modelos de pesos abertos são sistemas de IA para os quais o desenvolvedor divulga publicamente os pesos de parâmetros treinados, geralmente sob licenças que variam de permissivas (Apache 2.0, MIT) a licenças comerciais com restrições de uso. Isso os distingue de modelos fechados apenas via API, como GPT-4o ou Gemini, onde os usuários interagem por meio de uma interface gerenciada e não têm acesso aos parâmetros subjacentes. O termo "open-weights" é frequentemente preferido a "open-source" porque o código de treinamento, pipelines de dados e a procedência completa do dataset podem não ser divulgados junto aos pesos.
Os usuários baixam os arquivos de pesos—geralmente em formatos como safetensors ou GGUF—e executam a inferência localmente usando frameworks como PyTorch, Hugging Face Transformers ou llama.cpp. Isso permite implantação em hardware pessoal, infraestrutura de nuvem privada ou GPUs de consumidor sem transmitir dados para uma API de terceiros. Muitos modelos de pesos abertos também são usados como checkpoints base para fine-tuning adicional em datasets proprietários ou específicos de domínio.
A divulgação de pesos abertos acelera a pesquisa ao permitir reprodutibilidade, auditorias independentes de segurança e customização em escala. Organizações com requisitos estritos de privacidade de dados—em saúde, jurídica e finanças—podem executar modelos totalmente on-premises. A pressão competitiva de alternativas de pesos abertos também impulsionou fornecedores fechados a reduzir preços de API e acelerar melhorias de capacidade. Críticos argumentam que a divulgação irrestrita de pesos complica a governança de segurança, já que medidas de alinhamento aplicadas pós-treinamento podem ser removidas por meio de fine-tuning subsequente.
A partir de 2026, as principais famílias de pesos abertos incluem LLaMA 3 da Meta (até 405 bilhões de parâmetros), Mistral e Mixtral, Gemma 2 do Google, Qwen 2.5 da Alibaba e DeepSeek V3 e R1. DeepSeek R1, lançado no início de 2025, atraiu atenção significativa ao igualar o desempenho de modelos de fronteira fechados em benchmarks de raciocínio enquanto publicava seus pesos abertamente. O Hugging Face Hub hospeda centenas de milhares de checkpoints derivativos construídos com base nessas bases.