Pesos abertos ou open-source? A diferença que compte

#O mal-entendido inicial

Quando você baixa Llama, Mistral ou Qwen via Ollama, ouve a expressão “open-source” por toda parte. Isso é quase sempre um uso impreciso do termo. O termo exato é open-weights: o que o laboratório publica são os pesos do modelo — os bilhões de parâmetros numéricos aprendidos durante o treinamento. O resto (o código usado para treinar, o corpus de dados, a receita exata) permanece, na maioria das vezes, fechado.

A confusão vem de uma analogia atraente, mas falsa: os pesos são equiparados ao “código-fonte” do modelo. Porém, os pesos não são código legível e modificável como o código-fonte de um software. São o resultado compilado de um treinamento. Receber os pesos é um pouco como receber um binário executável muito poderoso e reconfigurável — não a cadeia completa que permite reconstruí-lo do zero.

#Pesos, código, dados: os três níveis de abertura

Para avaliar a abertura de um modelo, é necessário distinguir três blocos independentes. Um modelo pode abrir um, dois ou todos os três. É a combinação que determina seu grau real de abertura.

Pesos (weights)

Os parâmetros numéricos da rede, distribuídos em arquivos (geralmente no formato GGUF ou safetensors). Com eles, você pode executar o modelo, quantizá-lo e fazer seu fine-tuning. É o nível mais frequentemente aberto.

O código de treinamento

Os scripts, a arquitetura detalhada, os hiperparâmetros, a receita de pré-treinamento e alinhamento. Sem ele, você não consegue reproduzir o modelo — só pode usá-lo da forma como está.

Dados de treinamento

O corpus no qual o modelo foi treinado. Quase nunca divulgado, por motivos jurídicos (direitos autorais), de concorrência e práticos (terabytes de texto).

Um verdadeiro software open-source oferece o equivalente às três partes: você pode ler, modificar e recompilar. Um LLM com pesos abertos geralmente abre apenas a primeira peça. Isso é útil, muitas vezes suficiente para auto-hospedagem — mas não é open-source no sentido estrito.

#O que é realmente open-weight e o que isso permite

Um modelo com pesos abertos dá acesso aos pesos, geralmente sob uma licença que permite o uso local, a modificação e, muitas vezes, o uso comercial. Na prática da auto-hospedagem, é exatamente disso que você precisa no dia a dia.

Executar localmente

Carregar o modelo no Ollama, no LM Studio ou no llama.cpp e executá-lo na sua máquina, offline, sem enviar seus dados para outros lugares.

Quantizer

Reduzir o uso de memória (Q4_K_M, Q5_K_M, Q8_0…) para fazer um modelo grande caber na sua GPU. Um modelo de 14B em Q4 cabe em ~9 GB de VRAM.

Fine-tuner

Adaptar o modelo ao seu domínio com seus próprios exemplos (LoRA, QLoRA). Você usa os pesos publicados como base.

Redistribuir

Dependendo da licença, republicar uma versão modificada — é isso que alimenta as milhares de variantes da comunidade no Hugging Face.

Na prática, quando você executa um modelo com Ollama, está usando pesos open-weights. O daemon escuta em http://localhost:11434 e disponibiliza um modelo cujo código de treinamento e cujos dados você não conhece — e, para uso local, isso não tem nenhuma importância.

# Télécharger et exécuter des poids open-weights en local
ollama run qwen3.5:4b

# Inspecter la licence embarquée dans le modèle
ollama show qwen3.5:4b --license

#Por que Llama não é open-source no sentido estrito

O Llama da Meta é o exemplo típico de modelo que se chama “open-source” quando, na verdade, não é. A Meta publica os pesos sob uma licença própria, a Llama Community License, que não é nem a Apache 2.0 nem a MIT. Dois pontos a desqualificam segundo a definição clássica de open-source.

Uma cláusula de limite comercial

A licença impõe condições especiais acima de um número muito alto de usuários ativos mensais. Uma verdadeira licença open-source não discrimina ninguém com base no tamanho ou no uso (critério de não discriminação).

Restrições de uso

A política de uso aceitável proíbe certos casos. O open-source clássico não permite restrições aos domínios de aplicação (« sem discriminação de finalidades »).

Nem código nem dados

A Meta não divulga o código completo de treinamento nem o corpus. Impossível reproduzir Llama a partir do que é distribuído.

A Open Source Initiative, que mantém a definição de referência de open-source, considera que esse tipo de licença não atende aos critérios. Llama é, portanto, rigorosamente um modelo com pesos abertos e licença permissiva, mas restrita — não um modelo open-source. O mesmo raciocínio se aplica a muitos modelos com uma licença « comunitária » própria.

#Modelos realmente open-source

A boa notícia: existem modelos que merecem esse rótulo. Duas famílias se destacam de acordo com o grau de abertura.

#Pesos sob licença aprovada pela OSI

Muitos modelos publicam seus pesos sob licenças Apache 2.0 ou MIT — licenças open-source reconhecidas, sem restrições de uso ou de finalidade. É o caso de vários modelos Mistral (como Mistral Small 24B), da família Qwen (Qwen 3.5, Qwen 3.8) nas versões sob Apache 2.0 e de Gemma, que o Google passou para Apache 2.0 com Gemma 4 (abril de 2026). Você pode usá-los comercialmente, modificá-los e redistribuí-los livremente. Atenção, porém: uma licença Apache para os pesos não significa que os dados ou o código de treinamento estejam publicados.

#Abertura completa: pesos + código + dados

Um nível acima, alguns projetos divulgam tudo: pesos, código de treinamento e dados. Iniciativas como OLMo (Allen Institute for AI) ou a família Pythia (EleutherAI) visam explicitamente a reprodutibilidade total. Esses projetos são os únicos realmente open-source no sentido pleno — mas são raros e nem sempre estão no nível dos melhores modelos open-weights em qualidade bruta.

#Um conjunto de critérios para avaliar a abertura

Diante de um novo modelo, faça estas perguntas na ordem. Elas transformam um slogan de marketing em uma avaliação concreta do que você realmente poderá fazer com ele.

1. 01
   Os pesos são públicos?

   É possível baixar sem acordo comercial nem fila de espera? Se sim, é pelo menos open-weights. Se não (acesso apenas via API), o modelo é fechado, independentemente do discurso.
2. 02
   Sob qual licença?

   Apache 2.0 ou MIT = permissivo e open-source no que diz respeito aos pesos. Licença própria « community/research » = ler atentamente as restrições (limite de usuários, uso comercial, treinamento de concorrentes).
3. 03
   O uso comercial é permitido?

   Ponto decisivo se você estiver construindo um produto. Algumas licenças o proíbem totalmente, outras o limitam acima de um limiar.
4. 04
   O código de treinamento foi publicado?

   Se for o caso, você pode entender e reproduzir a receita. Raro fora de projetos com finalidade acadêmica.
5. 05
   Os dados estão documentados?

   Corpus publicado ou pelo menos descrito? É a última etapa rumo ao open-source completo, e a que mais raramente é concluída.

Um modelo que responde “sim” às duas primeiras perguntas já atende à imensa maioria das necessidades de auto-hospedagem. As três últimas perguntas importam sobretudo para a pesquisa, a auditoria e as exigências de conformidade mais rigorosas.

Fechado

Pesos inacessíveis, apenas API. Exemplos típicos: modelos proprietários em nuvem.

Pesos abertos restritos

Pesos públicos, licença própria com restrições. Exemplo: Llama sob a Community License.

Pesos abertos com licença permissiva

Pesos públicos sob as licenças Apache 2.0 / MIT. Exemplos: Mistral Small 24B, Qwen 3.5 / 3.8, Gemma 4.

Totalmente de código aberto

Pesos + código + dados publicados e reproduzíveis. Exemplos: OLMo, Pythia.

#O que muda concretamente para você

A diferença não é teórica. De acordo com sua situação, ela tem consequências práticas diretas.

Você faz auto-hospedagem para uso pessoal

Essa distinção afeta pouco você. Pesos abertos são mais do que suficientes: você executa, você quantiza, seus dados permanecem com você. Escolha com base no desempenho e no tamanho adequado para a sua GPU.

Você está construindo um produto comercial

A licença se torna crucial. Verifique se o uso comercial é permitido e se nenhum limite pode se tornar uma armadilha para você. Prefira Apache 2.0 / MIT para dormir tranquilo.

Você deve auditar ou comprovar a conformidade

Você precisa do código e, idealmente, dos dados. Apenas os modelos totalmente open-source (OLMo, Pythia) permitem uma verdadeira rastreabilidade de ponta a ponta.

Você quer fazer ajuste fino e redistribuir

Verifique se a licença permite obras derivadas e sua redistribuição. A maioria das licenças permissivas permite isso; algumas licenças próprias estabelecem condições.

#Para se aprofundar

Uma vez esclarecida a questão da abertura, estes guias ajudam você a colocar a auto-hospedagem em prática:

O que é o Ollama e como ele funciona

O ponto de partida para baixar e executar pesos open-weights localmente, com os comandos básicos (run, pull, list).

Escolher sua quantização (Q4, Q5, Q8, FP16)

Depois de obter os pesos, a quantização determina quanto espaço eles ocupam na memória da sua placa.

Executar um LLM localmente sem GPU (somente CPU)

Se você não tiver uma placa de vídeo dedicada, veja como usar modelos open-weights mesmo assim na CPU.