Qual é a diferença entre IA proprietária, open weight e open source?
Do GPT-5.6 ao DeepSeek e ao OLMo: veja como os três tipos de LLM se diferenciam em capacidade, custo e controle
A maioria das pessoas sabe que, quando se trata de grandes modelos de linguagem (LLMs), nem todos são iguais. Alguns modelos são claramente mais “inteligentes”, enquanto outros oferecem vantagens como um custo de uso bem menor.
Ainda assim, todos os LLMs se enquadram em uma de três categorias: proprietários, de pesos abertos (open weight) ou de código aberto (open source). Entender essas diferenças é fundamental para compreender as vantagens e desvantagens de qualquer modelo.
LLMs PROPRIETÁRIOS
Como o próprio nome sugere, LLMs proprietários pertencem a uma única entidade, geralmente uma grande corporação. Mesmo que você não conheça o nome de nenhum LLM de código aberto ou de pesos abertos, é quase certo que conhece os proprietários.
Entre eles estão os maiores nomes da inteligência artificial, como os modelos GPT e da série o da OpenAI, que alimentam o ChatGPT (GPT-5.6 e o3-mini, por exemplo), o Claude, da Anthropic, e o Gemini, do Google.
Os LLMs proprietários não apenas são controlados por algumas das maiores empresas de tecnologia, como também são extremamente fechados e pouco transparentes.
Seu código e seus dados de treinamento são altamente protegidos e, para quem está fora dessas empresas, permanecem em grande parte um mistério. Para utilizá-los, é preciso acessá-los pela nuvem.
É claro que esses modelos proprietários e fechados também oferecem vantagens. A maioria é considerada modelo de “fronteira” (frontier model), por ser vista como alguns dos LLMs mais inteligentes e capazes disponíveis.
Isso se deve, em grande parte, ao poder computacional empregado neles e ao enorme volume de dados usado em seu treinamento. Mas tudo isso custa quantias gigantescas de dinheiro, razão pela qual os modelos de fronteira são, em sua maioria, propriedade de grandes empresas.
LLMs DE PESOS ABERTOS
Modelos de pesos abertos são frequentemente confundidos com modelos de código aberto, mas eles são diferentes. No vocabulário dos LLMs, um “peso” pode ser comparado à memória de um modelo. Um LLM de pesos abertos significa que seu criador permite que as pessoas baixem a memória daquele modelo de linguagem.
Talvez o modelo de pesos abertos mais conhecido seja o Llama, da Meta (pelo menos nos Estados Unidos).
Na China, os LLMs mais conhecidos e amplamente utilizados são quase todos modelos de pesos abertos. Entre eles estão vários que ganharam destaque por suas capacidades e pelo baixo custo, como DeepSeek, Kimi, da Moonshot, e Qwen, da Alibaba.
Para empresas que pretendem incorporar um LLM a seus fluxos de trabalho, os de pesos abertos podem ser bastante atraentes, já que podem ser bem mais baratos que os proprietários em termos de custo por token e estão cada vez mais próximos da capacidade dos melhores modelos de fronteira. Eles também oferecem a possibilidade de maior privacidade.
Isso acontece porque os modelos de pesos abertos geralmente podem ser baixados da nuvem do provedor e executados localmente em um computador ou no servidor privado de uma empresa.
Quando um LLM é executado localmente, a empresa pode garantir que qualquer informação fornecida ao modelo – como planos de negócios, contratos ou outros dados confidenciais – permaneça sob seu controle.
Modelos de pesos abertos são muitas vezes confundidos com modelos de código aberto, mas eles são diferentes.
Mas uma grande desvantagem dos LLMs de pesos abertos em relação aos proprietários é que eles não são exatamente “plug and play” quando executados localmente.
Quando uma empresa utiliza um LLM proprietário baseado na nuvem, como o Claude, basta conectá-lo às APIs do Claude e deixar que os servidores da Anthropic façam todo o trabalho pesado. Quando ela instala um LLM de pesos abertos em seus próprios servidores, precisa pagar pelos computadores nos quais ele será executado.
Em outras palavras, embora o preço por token possa ser muito menor, LLMs de pesos abertos podem representar custos iniciais consideráveis de hardware para empresas que optam por executá-los localmente.
LLMs DE CÓDIGO ABERTO
Embora muitas pessoas confundam LLMs de pesos abertos com de código aberto, eles são diferentes. Os modelos de pesos abertos continuam sendo relativamente pouco transparentes: as empresas que optam por utilizá-los geralmente não têm acesso aos conjuntos de dados usados em seu treinamento.
Com os LLMs de código aberto, é diferente. “Open source” é um termo geral, usado há décadas, para descrever softwares que podem ser baixados, verificados, modificados e distribuídos livremente. Agora, ele também é usado para descrever LLMs que atendem a esses critérios.
Como observa a organização sem fins lucrativos Open Source Initiative (OSI), os modelos de código aberto são totalmente transparentes.
Os usuários não apenas podem baixá-los e executá-los localmente em suas máquinas, como também têm acesso ao código completo e aos conjuntos de dados utilizados no treinamento – ou, pelo menos, às fontes dos dados, caso os conjuntos de dados não possam ser copiados legalmente – para análise.
Os modelos de código aberto também podem ser modificados e compartilhados integralmente. Isso não é possível com modelos proprietários e, no caso dos modelos de pesos abertos, é possível apenas modificar os pesos, em um processo conhecido como “fine-tuning”, ou ajuste fino.
Leia mais: Apps, agentes, robôs; o futuro da IA não está nos modelos de linguagem
A flexibilidade e a transparência dos LLMs de código aberto podem representar vantagens para as empresas em um mundo no qual os órgãos reguladores estão adotando uma postura cada vez mais rigorosa em relação aos sistemas de IA utilizados pelas organizações.
Segundo a OSI, entre os LLMs que atendem à definição de código aberto estão OLMo (da AI2), Pythia (da EleutherAI), T5 (do Google) e Amber e CrystalCoder (da LLM360).
QUAL TIPO DE LLM É O MELHOR?
Determinar qual tipo de LLM é "o melhor” depende, em grande parte, da sua definição de “melhor”.
Se você está falando dos modelos mais capazes, com os maiores conjuntos de dados de treinamento, constantemente atualizados, um modelo proprietário de fronteira, como GPT-5.6, Claude ou Gemini, pode ser considerado, com razão, o melhor.
Mas, se “melhor” significa “melhor retorno sobre o investimento”, é difícil não concluir que modelos de pesos abertos, como DeepSeek e Kimi, podem ser a melhor escolha quando executados localmente, especialmente depois de contabilizados os custos iniciais, como o de hardware.
Isso acontece porque suas capacidades hoje estão próximas das dos modelos de fronteira mais importantes. Eles também são muito mais baratos em termos de preço por token (as unidades de dados processadas por um LLM).
Por exemplo, segundo dados de julho de 2026 da Spheron, o GPT-5.6 Sol, modelo principal da OpenAI, e o Claude Opus 5 / Opus 4.8, da Anthropic, custam US$ 5 por milhão de tokens de entrada, enquanto o Gemini 3.1 Pro, do Google, custa US$ 2 por milhão de tokens de entrada.
Compare isso com alguns dos modelos de pesos abertos mais conhecidos, como o DeepSeek: seu modelo V4-Pro custa apenas US$ 0,435 por milhão de tokens de entrada.
E, se sua definição de “melhor” é um modelo sobre o qual você tenha o máximo controle possível e cujos dados de treinamento possa verificar, não há opção melhor que um modelo de código aberto – que também tem a vantagem de ser gratuito (desconsiderando, naturalmente, o custo de computação).
