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

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.

Também chamado: .safetensors

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

Os pesos de modelos eram compartilhados principalmente como arquivos .bin ou .pt do PyTorch, que usam o formato pickle do Python. Carregar um arquivo pickle pode executar código arbitrário, então um modelo baixado podia trazer malware. O Safetensors foi criado para eliminar esse risco mantendo o carregamento rápido.

Como funciona

Um arquivo safetensors tem um cabeçalho JSON curto que lista o nome, o tipo de dado, a forma e a posição de cada tensor, seguido pelos bytes brutos dos tensores. Não há código nele, só dados. Como o layout é conhecido de antemão, um carregador pode mapear o arquivo na memória e ler só os tensores de que precisa, sem varrer o arquivo inteiro. O projeto chama isso de zero-copy e lazy loading, o que ajuda ao dividir um modelo entre várias GPUs.

Por que importa

O Safetensors é o formato comum no Hugging Face hub e na biblioteca Transformers. Se um repositório oferece arquivos safetensors e pickle, escolha o safetensors. É uma defesa simples contra o tipo de ataque à cadeia de suprimentos de IA em que um arquivo de modelo envenenado executa código na sua máquina.

Como difere do GGUF

Os dois armazenam pesos do modelo. O Safetensors é um contêiner neutro usado por stacks de treinamento e serving em Python, com os pesos geralmente em precisão completa ou meia precisão. O GGUF é o formato do llama.cpp e de executores locais relacionados; ele inclui metadados como o tokenizer e é usado principalmente para modelos quantizados. É comum converter de safetensors para GGUF para rodar um modelo localmente.

Limites

O Safetensors torna seguro o carregamento, não o modelo em si. Um arquivo ainda pode conter pesos que se comportam mal, e o código de um repositório que o carrega ainda pode ser inseguro.

Termos relacionados

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.
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.
Ataque à cadeia de suprimentos de IA
Um ataque à cadeia de suprimentos de IA (supply-chain attack) compromete uma aplicação de IA por meio de algo de que ela depende, como um modelo baixado, um adaptador LoRA, um conjunto de dados, um pacote Python, um servidor MCP ou uma agent skill, em vez de atacar a aplicação diretamente.
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.
Quantização
A quantização (quantization) é uma técnica que armazena os pesos de um modelo, e às vezes as ativações, com menos bits, como 8 ou 4 em vez de 16, para que o modelo precise de menos memória e muitas vezes rode mais rápido, com algum custo em acurácia.

Fontes