LLMs de código aberto vs proprietários

"Código aberto" e "open-weights" não são sinônimos. As licenças de código aberto (Apache 2.0, MIT, GPL) se aplicam ao código-fonte e permitem uso comercial e privado sem restrições. Open-weights significa que os pesos do modelo treinado são baixáveis, mas podem estar restritos sob uma licença especializada. LLaMA 3.1 é open-weights, não open-source — a Meta publica os pesos sob a Licença Comunitária Llama 3.3.1, que permite uso comercial, mas inclui restrições.

Os modelos proprietários não são open-weights nem open-source. OpenAI (GPT-5.5), Anthropic (Claude Opus 4.8) e Google (Gemini 3.1 Pro) não publicam os pesos do modelo. Você os acessa exclusivamente via API.

Entender essa distinção importa para conformidade, personalização e soberania de dados.

Os LLMs proprietários são modelos fechados acessíveis apenas via API — o provedor controla os pesos, os dados de treinamento, o alinhamento de segurança e todas as atualizações. OpenAI (GPT-5.5), Anthropic (Claude Opus 4.8), Google (Gemini 3.1 Pro) e Mistral API são proprietários.

Os preços são cobranças por token em API em um servidor controlado pelo provedor. GPT-5.5 custa $5 por 1M tokens de entrada e $30 por 1M tokens de saída. Claude Opus 4.8 custa $5/$25. Gemini 3.1 Pro custa $2,00/$12,00.

Os provedores proprietários mantêm o controle sobre as atualizações do modelo, o comportamento e o alinhamento.

Modelo Open-Weights. Um LLM cujos pesos treinados estão publicamente disponíveis e podem ser baixados, modificados, ajustados e auto-hospedados. Exemplos: LLaMA 4 Scout/Maverick (Meta), Mistral Large 2 (Mistral AI), Qwen 3 (Alibaba), DeepSeek-R1 (DeepSeek AI).

LLM Proprietário. Um LLM cujos pesos são mantidos privados e nunca publicados. O acesso é exclusivamente através da API de um provedor, exigindo cobrança por token e conectividade de rede. Exemplos: GPT-5.5 (OpenAI), Claude Opus 4.8 (Anthropic), Gemini 3.1 Pro (Google).

Fine-Tuning. O processo de retreinar um modelo pré-treinado em um novo conjunto de dados menor específico para um domínio ou tarefa. Os modelos open-weights suportam fine-tuning completo via LoRA, QLoRA ou retropropagação completa; a maioria dos modelos proprietários restringe ou proíbe o fine-tuning.

Data de corte de treinamento. A data após a qual um modelo não tem conhecimento de eventos ou informações.

Mixture of Experts (MoE). Uma arquitetura LLM onde o modelo contém muitas sub-redes "especialistas", mas apenas uma fração é ativada por token. LLaMA 4 Scout e Mistral usam MoE — o custo de inferência escala com os parâmetros ativos, não os totais.

Pesos do modelo. Os parâmetros numéricos (bilhões a trilhões de números) aprendidos durante o treinamento do modelo.

Os LLMs de código aberto (LLaMA 3.1, Mistral, Qwen) tornam os pesos do modelo publicamente disponíveis — as organizações podem baixá-los, inspecioná-los, ajustá-los e auto-hospedá-los. Os LLMs proprietários (GPT-5.5, Claude, Gemini) são de propriedade dos provedores e acessíveis apenas através de APIs.

Em muitas tarefas, sim. A lacuna de desempenho se reduziu para 7–8 pontos percentuais em benchmarks de raciocínio (MMLU). Em classificação, resumo e tarefas específicas de domínio, os modelos open-weights como LLaMA 3.1 70B agora igualam os proprietários. Os modelos proprietários ainda lideram em raciocínio de múltiplas etapas complexo, orquestração de agentes e gerenciamento de entrada multimodal.

As empresas devem usar LLMs de código aberto quando a privacidade de dados é obrigatória (saúde, finanças, jurídico), quando processam mais de 10 milhões de tokens por dia, quando é necessário fine-tuning específico do domínio, ou quando a conformidade com o AI Act da UE exige residência de dados on-premises. Os modelos open-weights também eliminam o vendor lock-in e a cobrança por token em API.

Para muitos casos de uso, sim. Os LLMs de código aberto estão prontos para produção para classificação, resumo, extração e tarefas específicas de domínio. Os modelos proprietários mantêm vantagens em raciocínio complexo, entrada multimodal, integração de ferramentas e implantação sem infraestrutura.

Escolha open-weights quando: os dados não podem sair da sua infraestrutura, o volume diário supera 10M tokens, você precisa de fine-tuning do domínio, ou a conformidade com o AI Act da UE / HIPAA / SOX requer residência de dados on-premises.

Escolha proprietários quando: você precisa de máxima precisão sem infraestrutura de GPU, o volume está abaixo de 5M tokens/dia, você não tem expertise de DevOps, ou precisa de início rápido sem engenharia de infraestrutura.