Open-weight

O termo open-weight (ou pesos abertos em uma tradução livre) descreve um modelo de distribuição e licenciamento de inteligência artificial em que os pesos treinados do modelo são disponibilizados publicamente.

Embora esse modelo seja frequentemente chamado pela mídia de “código aberto” (open-source), a comunidade técnica prefere o termo open-weight por ser mais preciso e honesto sobre o que está (e o que não está) sendo disponibilizado.

A Diferença Fundamental: Open-Weight vs. Open-Source vs. Closed-Source

Para entender a distinção no ecossistema de IA, vale comparar esses três níveis de transparência:

Característica	Closed-Source (SaaS / API)	Open-Weight	Open-Source Autêntico (OSI)
Exemplos	GPT-4o, Claude 3.5 Sonnet, Gemini Pro	Llama 3, DeepSeek-V3, Mistral 7B	OLMo (Allen AI), Amber, LLM360 K2
Acesso ao Modelo	Apenas via requisições de API no servidor da empresa.	Download dos arquivos de pesos para rodar localmente.	Download dos pesos + código completo + datasets.
Pesos	Privados	Públicos	Públicos
Código de Inferencia	Privado	Público	Público
Dataset de Treino	Privado	Privado (na maioria das vezes)	Público
Receita/Código de Treino	Privado	Privado / Parcial	Público

Por que a diferença importa?

No software tradicional, open-source significa acesso ao código-fonte para que qualquer um possa recompilar o programa do zero. Em IA, ter apenas os pesos permite executar, modificar e aplicar fine-tuningO Ajuste Fino (Fine-Tuning) é o processo que transforma uma IA generalista em um especialista em uma tarefa. A Metáfora da Especialização Para entender como o processo se divide, podemos dividi-lo em duas grandes etapas: • Pré-treinamento (A "Graduaç... More, mas não permite reproduzir o treinamento original se a empresa não publicar os dados de treino e a receita de otimização.

O que o acesso aos Pesos permite fazer?

Ter os arquivos de pesos abertos desbloqueia capacidades de controle que são impossíveis de obter com APIs fechadas:

• Execução Local e Soberania de Dados: O modelo pode rodar em servidores próprios (on-premises) ou em computadores pessoais (usando formatos como GGUFA sigla GGUF significa GPT-Generated Unified Format (Formato Unificado Gerado por GPT). Trata-se de um formato de arquivo binário criado pela comunidade de código aberto (liderada por Georgi Gerganov e pelos mantenedores do projeto llama.cpp) para ar... More).
• Ajuste Fino (Fine-TuningO Ajuste Fino (Fine-Tuning) é o processo que transforma uma IA generalista em um especialista em uma tarefa. A Metáfora da Especialização Para entender como o processo se divide, podemos dividi-lo em duas grandes etapas: • Pré-treinamento (A "Graduaç... More e LoRAO LoRA (sigla para Low-Rank Adaptation, ou Adaptabilidade de Baixo Posto) é uma das técnicas de eficiência mais revolucionárias para o ajuste fino (fine-tuning) de LLMs e também redes neurais profundas. Desenvolvido por pesquisadores da Microsoft em ... More): É possível treinar o modelo para se especializar em uma tarefa ou domínio muito específico, alterando ou estendendo a matriz de pesos original.
• QuantizaçãoA Quantização (ou Quantization) é uma das técnicas fundamentais de otimização no campo do Aprendizado de Máquina. Ela permite compactar Grandes Modelos de Linguagem (LLMs), reduzindo drasticamente o consumo de memória (VRAM/RAM) e acelerando o tempo ... More Personalizada: É possível comprimir os pesos para rodar em hardware com menos memória VRAMA VRAM (sigla para Video Random Access Memory, ou Memória de Acesso Aleatório de Vídeo) é um tipo especial de memória RAM de altíssima velocidade dedicada exclusivamente ao processamento gráfico e a operações de computação paralela intensa, como o tr... More (como reduzir de FP16 para INT4 ou INT8).
• Inspecionabilidade de Camadas: Pesquisadores e desenvolvedores podem inspecionar as ativações internas do modelo, entender como o mecanismo de atenção está reagindo ou usar técnicas de steering (guiar o comportamento editando ativações em tempo de inferência).

As Licenças e as Restrições Open-Weight

Nem todos os modelos open-weight são totalmente livres do ponto de vista comercial. Os criadores costumam usar licenças customizadas com algumas restrições comuns:

1. Cláusulas de Escala de Usuários: Licenças como a do Llama (Meta) permitem uso comercial gratuito, exceto se a aplicação atingir mais de centenas de milhões de usuários ativos mensais (caso em que exige uma licença especial).
2. Restrição de Treinamento Sintético: Algumas licenças proíbem o uso da saída do modelo para treinar ou aprimorar outros modelos concorrentes.
3. Restrições de Uso Aceitável: Cláusulas que proíbem o uso do modelo em cenários específicos (militar, vigilância em massa, geração de conteúdo ilegal).