Weights

En una red neuronal, cada conexión entre dos neuronas tiene un peso: un número que dice «esta señal importa mucho» o «esta casi no importa». Aprender es, en esencia, encontrar los pesos correctos.

Cuando una empresa «publica los pesos» de un modelo, está compartiendo todo lo que ese modelo aprendió.

En una capa densa, la salida es y = σ(Wx + b), donde W es la matriz de pesos, b el vector de Bias (parámetro) y σ una función de activación. Los pesos se inicializan aleatoriamente y se actualizan con Gradient Descent usando gradientes calculados por Backpropagation.

Los modelos de pesos abiertos permiten descargar estos archivos (por ejemplo, en formato safetensors) y ejecutarlos localmente.

Los pesos son el modelo: quien tiene los pesos puede ejecutarlo, ajustarlo y estudiarlo.