**Pruning**, ou poda, é a técnica de **remover pesos pouco importantes** de um modelo já treinado, deixando-o menor e mais rápido [sem](https://clubmartech.com.br/blog/sem-avancado-estrategia-roi/) retreiná-lo do zero. A intuição por trás é que [redes neurais](https://clubmartech.com.br/blog/redes-neurais-artificiais-praticas/) são largamente redundantes — e a evidência sustenta isso de forma impressionante. Um trabalho de 2018 registra que técnicas de poda conseguem **reduzir a contagem de parâmetros em mais de 90% sem comprometer a acurácia**. Para modelos de linguagem, que é o caso de quem usa [IA](https://clubmartech.com.br/blog/ia-marketing-vendas-inteligentes/) em [marketing](https://comecandonaweb.com.br/marketing-digital/), o número de referência é outro e vem de um método de 2023: modelos da família GPT podem ser podados a **pelo menos 50% de esparsidade numa única passada, sem qualquer retreino**, com perda mínima. Levando a 60%, **mais de 100 bilhões de pesos podem ser ignorados** na hora de responder.## ⚠️ Não confunda poda com quantizaçãoAs duas técnicas reduzem o custo de rodar um modelo e são frequentemente tratadas como sinônimos. São coisas diferentes, e a distinção é simples:
| O que faz | Resultado | |
|---|---|---|
| **Pruning** | Remove pesos | Menos pesos, mesma precisão em cada um |
| **Quantização** | Reduz a precisão de cada peso | Mesmo número de pesos, menos bits cada |
E o ponto que decide a [estratégia](https://clubmartech.com.br/blog/estrategia-precificacao-product-resultado/): **são combináveis**. O próprio método de poda para modelos de linguagem citado acima declara compatibilidade com abordagens de quantização. Podar e depois quantizar reduz mais do que qualquer uma das duas isolada.## Cuidado ao transportar o número dos 90%Uma ressalva de método que vale mais que o número em si. Os resultados mais espetaculares de poda — os que falam em **reduzir para 10% a 20% do tamanho original** — foram obtidos em **redes pequenas, em tarefas clássicas de visão** como reconhecimento de dígitos e classificação de imagens em baixa resolução.**Extrapolar esses 90% para modelos de linguagem seria erro.** Para LLMs, o patamar demonstrado sem retreino é a faixa de 50% a 60% — que já é notável, mas é metade do que o número mais citado sugere. Ao avaliar promessa de fornecedor sobre compressão, **pergunte em que tipo de modelo aquilo foi medido**.## O que isso muda na práticaComo a destilação, a poda é normalmente algo que se consome pronto, não que se executa. Mas saber que ela existe muda duas leituras:
- **Modelo pequeno não é necessariamente modelo fraco.** Boa parte da diferença de tamanho entre versões de uma mesma família vem de compressão, não de capacidade perdida na mesma proporção.
- **Compressão sem retreino é rápida.** O método para LLMs citado acima processa modelos de 175 bilhões de parâmetros **em menos de quatro horas e meia**. Isso significa que fornecedores podem oferecer versões comprimidas logo após um [lançamento](https://clubmartech.com.br/blog/lancamento-software-ferramentas-riscos/) — e que vale testar a versão menor antes de assumir que precisa da maior.
Para quem opera marketing, a conclusão prática é a mesma das outras técnicas de eficiência: **o modelo de topo raramente é necessário** para classificar, rotear e extrair. Compare o custo em
inferênciae teste a alternativa menor com casos reais.## Fontes
- The Lottery Ticket Hypothesis — Frankle e Carbin; os 90%, em redes pequenas de visão
- SparseGPT — poda de 50% a 60% em LLMs sem retreino
- Wanda — método alternativo de poda sem retreino
*Leitura das fontes em 17/08/2026.*