Pular para o conteúdo
ReviewRamble

A newsletter semanal

IA, analisada, na sua caixa de entrada.

  • Novas análises de ferramentas, modelos, servidores MCP e repositórios, com o veredicto logo no início
  • Preços e notas reconferidos quando algo muda
  • Novos artigos de análise assim que são publicados

Modelos, agentes, servidores MCP e as ferramentas que realmente valem seu tempo.

Um e-mail por semana. Cancele pelo link em qualquer edição. Como usamos seu e-mail

Pesos do modelo

Os pesos do modelo (model weights) são os números aprendidos dentro de uma rede neural, definidos durante o treinamento, que decidem como ela transforma a entrada em saída. Um checkpoint é um arquivo salvo, ou conjunto de arquivos, contendo esses pesos.

Também chamado: weights, checkpoint, parameters file

Por Divya Sharma · Verificado em 15 de nov. de 2026 · Como analisamos

Uma rede neural é uma estrutura fixa de camadas, e os pesos são os valores nessas camadas. O treinamento os ajusta até que as saídas do modelo fiquem boas. Quando se diz que um laboratório "liberou os pesos", significa que você pode baixar esses números e rodar o modelo por conta própria. A quantidade de pesos é a contagem de parâmetros do modelo.

O que um checkpoint contém

No PyTorch, os pesos ficam em um state_dict, um dicionário que associa cada camada ao seu tensor. Um checkpoint salva isso, às vezes com o estado do otimizador para que o treinamento possa ser retomado. Os arquivos de modelo no Hugging Face geralmente são divididos em vários shards e vêm com um arquivo de config que descreve a arquitetura e com um tokenizer. Sem o código de arquitetura e o tokenizer correspondentes, os pesos sozinhos não rodam.

Formatos

Formatos comuns incluem os arquivos do PyTorch baseados em pickle, Safetensors, GGUF para executores locais como o llama.cpp, e ONNX. O formato afeta a segurança, a velocidade de carregamento e quais ferramentas conseguem lê-lo.

Tamanho e precisão

O tamanho do arquivo é aproximadamente a contagem de parâmetros vezes os bytes por peso. Armazenar os pesos em precisão menor ou aplicar quantização reduz o arquivo e a memória necessária para rodá-lo, com alguma perda de qualidade.

Pesos vs open source

Ter os pesos não é o mesmo que ter tudo. Um modelo open-weight pode vir sem seus dados ou código de treinamento, e sob uma licença com limites. A definição da Open Source Initiative trata os parâmetros como apenas uma das partes que precisam ser compartilhadas.

Termos relacionados

Modelo open-weight
Um modelo open-weight (modelo de pesos abertos) é um modelo cujos pesos treinados são publicados para qualquer pessoa baixar e rodar, muitas vezes sem o código de treinamento ou os dados completos, então ele não é necessariamente open source.
Safetensors
Safetensors é um formato de arquivo do Hugging Face para armazenar pesos de modelos. Ao contrário dos arquivos pickle do Python, carregá-lo não pode executar código oculto, e ele permite carregar tensores individuais de forma rápida, com mapeamento em memória.
Parâmetros do modelo
Os parâmetros do modelo (model parameters) são os números que uma rede neural aprende no treinamento, principalmente pesos. A contagem de parâmetros, escrita como 7B para sete bilhões, é a forma usual de indicar o tamanho de um modelo.
GGUF
GGUF é um formato de arquivo binário para guardar os pesos, o tokenizer e os metadados de um modelo em um único arquivo, feito para carregamento rápido e inferência local com ferramentas baseadas em GGML, como o llama.cpp, muitas vezes em forma quantizada.
Precisão numérica (FP16, BF16, FP8)
A precisão numérica é o formato de número usado para armazenar os pesos de um modelo e fazer seus cálculos, como FP32, FP16, BF16, FP8 ou INT4. Menos bits por número significam menos memória e inferência mais rápida, com algum risco para a acurácia.
Licença de modelo
Uma licença de modelo (model license) são os termos legais sob os quais os pesos de um modelo, e às vezes seu código e dados, podem ser usados, modificados e compartilhados. Os termos vão de licenças abertas permissivas a licenças não comerciais ou restritas personalizadas.

Fontes