Articoli
Approfondimenti, confronti e guide. Le notizie quotidiane sono nelle Notizie tech.
MyAfters: recensione della piattaforma per l'hospitality
Recensione di MyAfters, la piattaforma per l'hospitality: locali, staff ed eventi in un unico sistema, l'assistente AI MyIA, i prezzi e i limiti.
MyAftersLeggi articolo
GGUF, safetensors o MLX: quale formato di modello ti serve per quale runtime
Scarichi un modello e il runtime non lo apre. GGUF, safetensors e MLX a confronto: cosa contiene ciascun formato, quali runtime lo leggono, come si converte e quale scegliere per laptop, Mac e server GPU.
AILLMOpen sourceToolLeggi articolo
Prompt caching nelle API LLM: Anthropic, OpenAI e Gemini a confronto, e quando ti fa risparmiare davvero
La cache del prompt non è la cache del gateway. Come funziona da Anthropic, OpenAI e Gemini secondo la documentazione ufficiale: soglie minime, durata, quanto costa scrivere e leggere, quando ripaga davvero e cosa la rompe.
AIBest PracticesLLMToolLeggi articolo
LoRA, QLoRA o full fine-tuning: cosa cambia in VRAM, tempi e risultati
Tre parole che si confondono. Cosa cambia tra full fine-tuning, LoRA e QLoRA in memoria, tempi e qualità, dai paper originali e dalla documentazione di Unsloth e Hugging Face, e quale scegliere se hai una sola GPU.
AILLMOpen sourceToolLeggi articolo
Licenze dei modelli open-weight: Apache 2.0, Llama, Gemma e Qwen, cosa puoi farci in un prodotto
Open-weight non vuol dire che puoi farci quello che vuoi. Le clausole che pesano su un prodotto, lette dai testi ufficiali: uso commerciale, soglie di utenti, "Built with Llama", restrizioni che passano ai tuoi termini, Llama 4 multimodale in UE e le nuove licenze Qwen3.8.
AILLMOpen sourceLeggi articolo
Guida AI locale 4: fine-tuning con Unsloth — quando ha senso e quando basta il prompt
Prima del fine-tuning chiediti cosa sbaglia il modello e se un prompt più chiaro, qualche esempio o un RAG lo risolvono. Quando no, cosa chiede Unsloth: LoRA e QLoRA, requisiti hardware e VRAM, scelta del modello, export in GGUF per Ollama e in safetensors per vLLM. Dalla documentazione ufficiale, senza test.
AILLMOpen sourcePythonToolLeggi articolo
Guida AI locale 5: dataset ed eval locali — misurare prima di cambiare modello
Senza un set di casi tuoi, ogni modello nuovo sembra meglio. Come scrivere criteri e 30–50 casi, come dare il voto (codice, persona, modello giudice), come girarli in locale con promptfoo, Inspect AI o lm-evaluation-harness su Ollama e llama.cpp, cosa guardare nei risultati. Dalla documentazione ufficiale, senza test.
AIBest PracticesLLMOpen sourceToolLeggi articolo
Eval per agenti: il set minimo di casi da girare prima di ogni modifica al prompt
Cambi una riga di prompt e si rompe un caso che non guardavi. Un set minimo di 20–35 casi in otto famiglie (compito tipico, scelta del tool, argomenti, quando non agire, informazione mancante, conflitto con il sistema, errore del tool, bug già visti), come dare il voto a esito e trace, perché girare ogni caso più volte. Dalla documentazione ufficiale, senza test.
AIBest PracticesLLMToolLeggi articolo