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.