Para dominar LLMs sem gastar nada, o caminho mais direto é o curso de LLMs da Hugging Face: 12 capítulos gratuitos que vão do funcionamento dos Transformers até fine-tuning e construção de modelos de raciocínio. Cada capítulo foi planejado pela própria Hugging Face para durar 1 semana, com aproximadamente 6-8 horas de trabalho por semana, e o ritmo pode ser esticado se a agenda apertar. Na prática, isso monta um plano de 12 semanas para quem já programa em Python e quer sair de “uso modelos prontos” para “treinei, ajustei e publiquei um modelo no Hub”.
O plano de 12 semanas
O curso se divide em quatro blocos com focos distintos, e entender essa divisão evita o erro mais comum: tratar tudo como uma sequência única de aulas. Os capítulos 1 a 4 formam a base da biblioteca Transformers; os capítulos 5 a 8 cobrem as ferramentas de dados e as tarefas clássicas de processamento de linguagem; o capítulo 9 é dedicado a demonstrações; e os capítulos 10 a 12 entram nos temas avançados.
| Semanas | Bloco | Foco do estudo |
|---|---|---|
| 1 a 4 | Fundamentos | Biblioteca Transformers, arquiteturas encoder/decoder, primeiro fine-tuning e publicação de resultados no Hub |
| 5 a 8 | Ferramentas | Datasets e Tokenizers, tarefas clássicas de PLN e técnicas de LLM aplicadas |
| 9 | Demonstração | Construir e compartilhar demos de modelos no Hub |
| 10 a 12 | Avançado | Fine-tuning avançado, curadoria de datasets de qualidade e construção de modelos de raciocínio |
Quem só tem fim de semana pode duplicar o ciclo: em vez de um capítulo por semana, um capítulo a cada duas semanas, fechando o plano em cerca de seis meses. O importante é manter a ordem dos blocos, porque cada parte reaproveita o vocabulário e o código da anterior. Existe ainda uma tradução da comunidade em português em andamento, o que ajuda nos trechos mais densos, mas o material completo e atualizado é o inglês.
O pré-requisito que poucos leem
A página oficial é direta: o curso exige bom conhecimento de Python. Não exige experiência prévia com PyTorch ou TensorFlow, embora familiaridade com qualquer um dos dois ajude, e a recomendação oficial é fazê-lo depois de um curso introdutório de deep learning, como o Practical Deep Learning for Coders, do fast.ai, ou um programa equivalente. Ignorar isso é a forma mais rápida de travar no capítulo 3.
O lado bom é a infraestrutura: todo o código do curso pode rodar no Google Colab ou no Amazon SageMaker Studio Lab, sem instalar nada na sua máquina. Cada seção tem notebooks prontos, hospedados no repositório público do curso, e há um fórum vinculado a cada capítulo para dúvidas. Também vale saber o que o curso não entrega: não há certificação oficial no momento, apenas o conhecimento e o portfólio que você constrói.
Quanto custa de verdade
O curso é completamente gratuito e sem anúncios, segundo a página oficial. O custo real aparece em outro lugar: exercícios que pedem treino pesado além do que o tier gratuito de GPU oferece. Para os capítulos 1 a 8, o Colab gratuito resolve na maioria dos casos; a conta começa a pesar nos capítulos finais, quando fine-tuning de modelos maiores entra em cena.
Uma forma de controlar o gasto é definir um orçamento de computação antes de começar o bloco avançado e só subir de categoria de GPU quando um exercício concreto exigir. Outra é reduzir o tamanho do modelo nos exercícios didáticos: para aprender o fluxo, um modelo pequeno ensina o mesmo procedimento que um grande, e a diferença de custo é enorme.
Alfabetização em IA virou obrigação
Estudar LLMs deixou de ser curiosidade de fim de semana e virou exigência regulatória para quem trabalha com esses sistemas na Europa: as obrigações de alfabetização em IA do AI Act europeu estão em vigor desde 2 de fevereiro de 2025, conforme a Comissão Europeia. Times que desenvolvem ou usam IA precisam garantir nível suficiente de conhecimento sobre o funcionamento, os limites e os riscos desses sistemas.
É aqui que um plano estruturado vale mais que vídeos soltos: uma equipe que termina as 12 semanas com notebooks rodando e modelos publicados no Hub produz evidência concreta e verificável do esforço de capacitação, algo que um monte de links salvos não produz. Para quem coordena equipes, o plano também serve de base para dividir o conteúdo: fundamentos para todos, blocos avançados para quem vai treinar modelos.
Reutilizar o material do curso
Um detalhe que costuma passar batido: o material é distribuído sob a permissiva licença Apache 2, o que permite copiar, adaptar e redistribuir desde que você dê o crédito apropriado, link para a licença e indique mudanças feitas. Isso abre caminho legítimo para treinamentos internos adaptados ao contexto da sua empresa, trilhas de onboarding e material de estudo derivado, sem negociar direitos com ninguém.
Depois do curso, dois passos naturais para continuar prático: rodar modelos na própria máquina seguindo o guia de como rodar IA local com Ollama e llama.cpp, e aprender a distinguir abertura real de marketing com a análise de pesos abertos e openwashing antes de escolher o próximo modelo do Hub.
Erros comuns neste plano
- Estudar sem rodar código: ler os capítulos sem executar os notebooks transforma o curso em teoria solta; a parte que fixa conteúdo é o erro de digitação no meio do fine-tuning.
- Pular os capítulos 5 a 8: parece tentador saltar direto para os temas avançados, mas Datasets e Tokenizers são exatamente o que separa um protótipo de um pipeline que escala.
- Não publicar nada no Hub: o plano só gera retorno profissional quando o resultado fica público; cada bloco termina com algo publicável.
- Começar sem Python: se a base de programação estiver fraca, invista duas ou três semanas em Python antes do capítulo 1 em vez de desistir no meio.
Com um capítulo por semana, três horas em dois dias úteis e mais algumas no fim de semana, o plano cabe em uma rotina de trabalho sem heroísmo. A meta de saída é simples e verificável: um repositório com os 12 capítulos resolvidos e pelo menos um modelo ou demo seu publicado no Hub.