Metodologia: como coletamos, verificamos e classificamos modelos de IA abertos
Como o ai-opensource.com decide o que listar, de onde vêm os fatos, como funcionam as estimativas de memória e as categorias de licença, e com que frequência as páginas são atualizadas e corrigidas.
Em resumo. Listamos apenas modelos cujos pesos qualquer pessoa pode baixar, coletamos fatos de fontes primárias, estimamos memória com uma fórmula publicada, classificamos licenças pelo que o texto da licença diz e mostramos uma data de atualização em cada página.
O que listamos
Um modelo está no catálogo se o público pode baixar seus pesos, incluindo downloads com acesso restrito que pedem aceitar uma licença antes. Não listamos modelos apenas por API, pesos vazados nem anúncios sem pesos. O catálogo é curado, não exaustivo: focamos em modelos atuais, amplamente usados ou tecnicamente notáveis, e marcamos os antigos como legacy em vez de apagá-los.
De onde vêm os fatos
Cada página de modelo cita suas fontes, e cada notícia também. Usamos fontes primárias nesta ordem:
- O arquivo de licença no repositório do modelo.
- O model card, os arquivos de configuração e os tamanhos reais dos checkpoints.
- O anúncio ou relatório técnico do desenvolvedor.
- Metadados de plataformas como a API do Hugging Face, e o repositório de código do projeto.
Não usamos boatos, publicações de redes sociais ou páginas agregadoras como única fonte de um número. Quando as fontes divergem, dizemos isso na página. A data de lançamento é o dia em que o desenvolvedor anunciou o modelo ou publicou os pesos, não o dia em que o repositório foi criado.
Benchmarks
Não executamos nossa própria suíte de benchmarks e não ranqueamos modelos por uma única pontuação. Os números de benchmark deste site são relatados pelos desenvolvedores, com a configuração de teste que eles escolheram, e são rotulados assim. Como avaliar modelos de IA por conta própria explica como testar um modelo no seu próprio trabalho.
Como estimamos memória
As estimativas são deliberadamente simples e conservadoras. Servem para planejar, não como garantia.
| Formato | Bytes por parâmetro |
|---|---|
| FP32 | 4 |
| BF16, FP16 | 2 |
| FP8, INT8 | 1 |
| INT4, FP4 | 0.5 |
| MXFP4 | 0.53 |
| NVFP4 | 0.56 |
| Ternário (pesos de −1, 0 ou +1, cerca de 1.75 bits por peso) | 0.22 |
| GGUF Q4 (Q4_K_M, cerca de 4.8 bits por peso) | 0.6 |
A memória dos pesos é parâmetros multiplicado por bytes por parâmetro. Adicionamos 15% para buffers de execução e uma cache de contexto modesta. Então estas regras se aplicam:
- Modelos de mistura de especialistas mantêm todos os especialistas na memória, então usamos os parâmetros totais, não os ativos. Os ativos afetam apenas a velocidade.
- Modelos de linguagem são listados com uma estimativa em 4 bits, porque rotineiramente são quantizados. Se o desenvolvedor distribui pesos em 4 bits ou ternários, usamos em vez disso o tamanho real de download mais 10%.
- Modelos de imagem, vídeo, voz, música e embeddings raramente são quantizados, então usamos os pesos como distribuídos mais 15%. Pipelines com vários componentes, como um codificador de texto separado, usam o download total.
- O mínimo declarado pelo próprio desenvolvedor substitui nossa fórmula sempre que ele declara ou mede um.
- Contextos longos precisam de mais. A cache chave-valor cresce a cada token, então um prompt longo pode precisar de muito mais do que esses números. O guia de memória tem um exemplo resolvido.
Em seguida, colocamos cada modelo em um nível de hardware por esse número:
| Nível | Até |
|---|---|
| Notebook ou celular | 16 GB |
| GPU de gaming | 32 GB |
| Workstation | 96 GB |
| Desktop de muita memória | 512 GB |
| Servidor GPU | 1.536 GB |
| Cluster multinó | Mais de 1.536 GB |
Como classificamos licenças
Lemos o próprio arquivo de licença, não apenas o rótulo na página do modelo, e apontamos quando os dois divergem. Cada licença entra em um de três tipos:
- Permissiva: você pode usar, modificar e vender o modelo, e as condições são leves, como manter o aviso. Apache 2.0 e MIT são exemplos.
- Condicional: o uso comercial é permitido, com condições extras. As marcamos: atribuição, acordo de hospedagem, limite de receita, restrições territoriais, política de uso, revisão de segurança, filtragem de saída ou regras de nome.
- Não comercial: apenas uso de pesquisa e pessoal. Uso comercial exige um acordo à parte.
Também mostramos se a Open Source Initiative aprovou a licença e a data em que verificamos o texto pela última vez. Isto é um auxílio de leitura, não aconselhamento jurídico. Licenças de IA explicadas oferece uma checklist para usar antes de lançar seu produto.
Listas, comparações e conjunto destacado
As listas de melhores e as comparações são escolhas editoriais. Cada uma declara seus critérios e dá uma razão para cada escolha. Os modelos destacados na página inicial são um conjunto curado de cerca de vinte, escolhidos para cobrir uma variedade de tamanhos e categorias. Estar em destaque não é um ranking. Quando o catálogo muda, revisamos as listas que mencionam os modelos afetados.
Atualizações e correções
Cada página mostra a data em que seus fatos foram verificados pela última vez. As notícias mostram a data do evento e a da nossa última verificação. Quando encontramos um erro, corrigimos a página e atualizamos sua data, e se a correção muda uma conclusão, dizemos isso na página. Por favor, relate erros pelo link de contato no rodapé.
Dados abertos
O catálogo é publicado como dados abertos: modelos em JSON e CSV, e licenças em JSON. Textos e dados são liberados sob CC BY 4.0, então você pode reutilizá-los com crédito.
Idiomas e assistência de IA
O inglês é a versão de referência, e as traduções o seguem. Usamos ferramentas de IA para ajudar na pesquisa e na redação, mas não publicamos um número que não possamos rastrear até uma fonte. Cada página de modelo traz pelo menos um link de fonte, e as notícias listam as suas.