Wagi modelu

W kontekście uczenia maszynowego, wagi modelu (ang. model weights) są kluczowymi parametrami, które algorytm optymalizuje w trakcie fazy uczenia. W sieciach neuronowych wagi określają, jak silnie sygnał z jednego neuronu wpływa na aktywację kolejnego. Są one ciągle modyfikowane na podstawie danych treningowych i funkcji straty, dążąc do minimalizacji błędów predykcyjnych modelu.

Po zakończeniu treningu, zbiór tych wag stanowi „wiedzę” nabytą przez model, umożliwiając mu wykonywanie zadań takich jak klasyfikacja, regresja czy generowanie tekstu. Dostępność otwartych wag (ang. open weights) oznacza, że te wyuczone parametry są publicznie dostępne, co pozwala innym badaczom i deweloperom na ich wykorzystanie, modyfikację lub dalsze trenowanie, przyspieszając rozwój w dziedzinie AI. Wagi różnią się od architektury modelu, która opisuje strukturę i połączenia, ale nie konkretne wartości numeryczne.