LLM e SLM são nomes usados para separar modelos de linguagem por tamanho e capacidade. Um modelo maior cobre mais tipos de tarefa; um menor pode resolver trabalhos bem definidos com menos recursos.

LLM é a sigla de Large Language Model, em português, Modelo Grande de Linguagem. SLM significa Small Language Model, ou Modelo Pequeno de Linguagem.

Os dois interpretam instruções, organizam informações e produzem textos. A diferença aparece na estrutura necessária para executar cada um e no tipo de tarefa que conseguem atender melhor.

LLM cobre situações mais variadas

Uma LLM tem uma estrutura grande e costuma lidar melhor com perguntas abertas, tarefas variadas e instruções mais complexas.

Entre os nomes mais conhecidos estão GPT, da OpenAI, Claude, da Anthropic, Gemini, do Google, e Llama, da Meta.

Em infraestrutura própria, modelos grandes exigem mais memória e processamento. Nos serviços de nuvem, como GPT, Claude e Gemini, o provider administra essa estrutura. Para quem usa a API, o efeito aparece principalmente no custo e nos limites de uso.

SLM trabalha com um escopo menor

Uma SLM possui uma estrutura menor e costuma ser escolhida para tarefas delimitadas. Pode classificar informações ou extrair dados, além de criar resumos e executar rotinas específicas com menos recursos.

Entre os modelos pequenos que podem ser instalados em uma máquina própria estão Phi-3 Mini, da Microsoft, Gemma 2B, do Google, Qwen2.5 3B, da Alibaba, e versões compactas do IBM Granite. Em serviços de nuvem, GPT-5.4 mini e GPT-5.4 nano, da OpenAI, são exemplos de modelos pequenos voltados a tarefas que priorizam velocidade e custo.

Instalados em uma máquina própria, modelos menores exigem menos memória e podem funcionar em equipamentos mais acessíveis. Na nuvem, versões compactas costumam responder mais rápido e custar menos.

Tamanho não encerra a comparação nem torna uma SLM melhor ou pior por definição. O resultado ainda depende da tarefa, dos dados disponíveis e da configuração usada.

A comparação com duas equipes

Uma equipe grande, preparada para situações muito diferentes, ajuda a representar uma LLM. Ela tem mais possibilidades, mas custa mais para manter.

Uma equipe menor treinada para poucas atividades se aproxima da proposta de uma SLM. Quando o trabalho está bem definido, essa equipe pode ser mais econômica e eficiente.

Parâmetros ajudam a comparar, não a decidir

O tamanho costuma aparecer na quantidade de parâmetros. Parâmetros não são pedaços de texto nem frases armazenadas; são pequenos ajustes internos aprendidos durante o treinamento. Milhões ou bilhões desses controles trabalham juntos para reconhecer padrões, entender o contexto e preparar uma resposta.

Não existe um limite universal que determine exatamente onde termina uma SLM e começa uma LLM. Os termos ajudam a comparar modelos, mas tamanho sozinho não define qualidade.

Antes de escolher, compare os modelos na tarefa real. O maior só compensa quando a qualidade obtida justifica o custo e o tempo de resposta; em um trabalho delimitado, uma SLM pode bastar.