BroadRouter

IA open-weight vs fechada na empresa: custo, controle e risco

Pela equipe da BroadNet Inference · 4 min de leitura · Publicado em

Os modelos fechados ainda lideram na fronteira, mas a Epoch AI estima que os melhores modelos open-weight estão cerca de quatro meses atrás. Os modelos open-weight vencem em controle, opções de privacidade, fixação de versão e lock-in, porque muitos provedores podem servir os mesmos pesos. Os fechados vencem quando você precisa da melhor qualidade possível em tarefas difíceis. Muitas empresas usam os dois, roteados por tarefa.

Toda equipe que constrói sobre LLMs faz esta escolha, muitas vezes sem perceber: modelos fechados, acessíveis só pela API de um fornecedor, ou modelos open-weight, cujos pesos qualquer pessoa pode baixar e rodar. A escolha afeta a sua conta, o caminho dos seus dados, a estabilidade do produto e a dificuldade de sair.

O que open-weight significa de fato?

Um modelo open-weight publica seus parâmetros treinados. Você, ou qualquer provedor, pode rodá-lo. É um conceito mais restrito que open source: os dados de treino e o pipeline completo de treino geralmente não são liberados.

As licenças variam. Algumas são permissivas: o Whisper da OpenAI, por exemplo, libera código e pesos sob a licença MIT. Outras restringem uso comercial, número de usuários ou áreas de uso. Leia a licença de cada modelo antes de construir em cima dele.

Os pesos de um modelo fechado ficam com o fornecedor. Você aluga o acesso pela API dele, ou por nuvens que o fornecedor licenciou.

Modelos open-weight vs fechados comparados

Fator Open-weight Fechados
Qualidade de ponta Alguns meses atrás da fronteira Geralmente lideram nas tarefas mais difíceis
Preço por token Muitas vezes menor; hosts competem no mesmo modelo Definido por um único fornecedor
Onde roda Nos seus servidores, numa GPU alugada ou em qualquer host Na API do fornecedor ou em nuvens licenciadas
Opções de privacidade Auto-hospedar, ou escolher um host com retenção zero de dados Os termos e níveis do fornecedor
Estabilidade de versão Fixe os pesos exatos pelo tempo que quiser O fornecedor aposenta versões no ritmo dele
Personalização Fine-tuning ou quantização por conta própria Só o que o fornecedor oferece
Lock-in Baixo: vários hosts servem os mesmos pesos Alto: um fornecedor por modelo
Operação Sua, se você auto-hospedar Do fornecedor

Qual é o tamanho da diferença de qualidade?

Menor do que já foi, mas real. O AI Index 2025 de Stanford relatou que a vantagem do melhor modelo fechado sobre o melhor open-weight no ranking Chatbot Arena caiu de 8,04% no início de janeiro de 2024 para 1,70% em fevereiro de 2025. A Epoch AI estimou em 29 de maio de 2026 que “the most capable open-weight models have lagged frontier closed models by an average of four months” (tradução: “os modelos open-weight mais capazes ficaram atrás dos modelos fechados de fronteira por uma média de quatro meses”), medido no seu Epoch Capabilities Index.

Na prática:

  • Classificação, extração, resumos, tradução, chat de rotina: modelos open-weight geralmente dão conta, e custam menos.
  • Agentes de código e documentos longos: existem boas opções open-weight; teste nos seus repositórios. Veja o melhor modelo aberto para agentes de código.
  • O raciocínio mais difícil e as capacidades mais novas: os fechados muitas vezes chegam primeiro.

Rankings são médias. Os seus 50 casos de teste reais são o benchmark que importa.

Quais são as três formas de rodar um modelo open-weight?

Opção Melhor quando Cuidado com
Auto-hospedar nas suas GPUs Os dados não podem sair da sua rede; as GPUs ficam ocupadas Hardware, drivers, escala, segurança, atualizações
Alugar uma GPU dedicada Carga constante, pesos personalizados Você paga pelas horas ociosas
API open-weight hospedada Tráfego com picos ou em crescimento; começo rápido Você confia na retenção de dados e no uptime do host

Auto-hospedar parece grátis por token, mas uma GPU custa o mesmo servindo uma requisição por hora ou mil. Compensa com utilização alta e constante. Abaixo disso, uma API por token ou um plano de preço fixo costuma sair mais barato.

Quanto custa um modelo open-weight por mês?

Preços por token de modelos open-weight hospedados são fáceis de calcular. Para 100 milhões de tokens de entrada e 10 milhões de saída por mês no DeepSeek V4.1 Flash pela BroadNet:

100 x $0.175 + 10 x $0.52 por mês, antes de qualquer desconto de cache.

Faça a mesma conta com os preços por milhão publicados pelo seu fornecedor fechado e as suas contagens reais de tokens, ou comece pela nossa comparação de custo de API entre modelos open-weight e fechados, que precifica uma carga de trabalho em GPT, Claude, Gemini, Grok e cinco modelos abertos. A entrada em cache muda muito o resultado: neste modelo, tokens em cache custam $0.0055 por milhão. A calculadora de custo de API de LLM faz isso para todos os modelos da BroadNet, e a tabela de preços de APIs de LLM lista quanto outros hosts cobram pelos mesmos pesos abertos.

Por que o lock-in importa mais do que parece?

Quando um fornecedor fechado aumenta preços, muda os termos sobre dados ou aposenta o modelo para o qual seus prompts foram ajustados, suas opções são aceitar ou reescrever. Com um modelo open-weight, você pode levar os mesmos pesos para outro host, ou para dentro de casa, e manter o mesmo comportamento.

Para manter essa opção real:

  1. Chame os modelos por um SDK compatível com a OpenAI, com a base URL e o ID do modelo na configuração.
  2. Mantenha um conjunto de teste de regressão e rode-o a cada troca de provedor.
  3. Se quiser, coloque um roteador como o LiteLLM na frente, para que trocar seja uma mudança de configuração.

Como as empresas combinam modelos abertos e fechados?

A maioria das empresas acaba usando os dois:

  • Roteie tarefas de alto volume e bem definidas (extração, triagem, resumos, passos de rotina de agentes) para um modelo open-weight.
  • Roteie tarefas raras e difíceis para um modelo fechado de fronteira.
  • Teste de novo a cada trimestre. Dada a diferença que a Epoch mede, com o tempo as tarefas passam da segunda lista para a primeira.

Onde a BroadNet Inference entra

A BroadNet Inference é uma API open-weight hospedada: DeepSeek V4.1 Flash, GLM 5.3, Qwen3.8 27B e a build da BroadNet do Gemma 4 do Google, além de dois modelos de speech-to-text, todos por um endpoint compatível com a OpenAI. Sua declaração de privacidade diz que ela não guarda prompts nem saídas e não usa dados de inferência para treinar, fazer fine-tuning ou avaliar modelos. O DeepSeek V4.1 Flash também está disponível em planos de preço fixo, de $1 por hora a $60 por mês por sessão.

Ela não serve modelos fechados. Se uma tarefa precisa de GPT, Claude ou Gemini, use esses fornecedores nessa rota e mantenha o resto em pesos abertos. Para comparar a BroadNet com outros provedores, use o checklist de provedores em 20 pontos.

Perguntas frequentes

Qual a diferença entre modelos de IA open-weight e open source?

Um modelo open-weight publica os pesos treinados para que qualquer pessoa possa rodá-lo. Um modelo open source também publicaria o código e os dados de treino. A maioria dos LLMs "abertos" populares é só open-weight, com licenças que vão das permissivas às restritivas.

Modelos open-weight são tão bons quanto os fechados?

Chegam perto, mas não empatam no topo. A Epoch AI estimou em maio de 2026 que os melhores modelos open-weight estão cerca de quatro meses atrás dos melhores fechados. Em muitas tarefas do dia a dia a diferença é pequena; nas tarefas mais difíceis, os fechados geralmente ainda lideram.

Modelos open-weight são mais baratos?

Muitas vezes por token, porque muitos hosts competem para servir os mesmos pesos. Auto-hospedar só é mais barato quando suas GPUs ficam ocupadas; GPUs ociosas custam dinheiro quer você as use, quer não.

Um modelo open-weight é mais privado?

Pode ser. Você pode auto-hospedá-lo para que os dados nunca saiam da sua rede, ou escolher um host com retenção zero de dados. Um modelo fechado só roda onde o fornecedor o serve, nos termos do fornecedor.

Posso trocar um modelo fechado por um open-weight sem reescrever o código?

Normalmente sim, se o host oferecer uma API compatível com a OpenAI. Troque a base URL, a chave e o ID do modelo, e teste de novo prompts, tool calls e qualidade da saída no seu próprio conjunto de teste.

Ler em MarkdownPerguntar ao ChatGPTPerguntar ao ClaudePerguntar ao Perplexity