---
title: "Cos’è il fine-tuning di un LLM? Addestrare o usare il prompt"
description: "Il fine-tuning addestra ancora un LLM esistente sui tuoi esempi perché impari un compito o uno stile. Come funziona, quanti dati servono, quando batte il prompt."
url: https://broadrouter.com/it/glossary/fine-tuning/
lang: it
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Tradotto dall’inglese con l’aiuto dell’IA. [Leggi l’originale in inglese](https://broadrouter.com/glossary/fine-tuning/) (aggiornato il 2026-11-14).

# Fine-tuning (addestramento di un LLM)

Aggiornato 2026-11-14

Il fine-tuning è il processo con cui si continua ad addestrare un modello linguistico già pre-addestrato su un dataset più piccolo e specifico, come conversazioni di esempio, così che i suoi pesi cambino e svolga quel compito o quello stile in modo più affidabile, senza istruzioni lunghe o esempi in ogni prompt.

Detto anche: fine tuning, addestramento fine, messa a punto del modello, fine-tuning supervisionato, finetuning, supervised fine-tuning, SFT, model fine-tuning

Con il prompt dici al modello cosa fare ogni volta. Con il fine-tuning cambi il modello, così lo sa già.

## Come funziona

Parti da un modello addestrato e prosegui l’addestramento sui tuoi esempi. Nel supervised fine-tuning (SFT), ogni esempio è una conversazione con la risposta che vuoi. La guida di OpenAI usa JSONL, “one complete JSON structure on every line” (traduzione: una struttura JSON completa su ogni riga), nel formato chat:

```json
{"messages": [{"role": "user", "content": "Classify: 'card charged twice'"}, {"role": "assistant", "content": "billing"}]}
```

Il job di addestramento regola i pesi perché quelle risposte diventino più probabili, e restituisce un nuovo ID di modello. OpenAI fissa il minimo a 10 esempi e consiglia di partire con 50 e valutare prima di aggiungerne altri.

Il fine-tuning completo aggiorna tutti i pesi, il che è costoso per i modelli grandi. L’articolo su LoRA di Hu e colleghi definisce proibitivo distribuire copie separate di GPT-3 dopo il fine-tuning, “each with 175B parameters” (traduzione: ciascuna con 175B parametri). I metodi a efficienza di parametri come [LoRA](https://broadrouter.com/it/glossary/lora/) addestrano invece un piccolo modulo aggiuntivo. La [distillazione](https://broadrouter.com/it/glossary/distillation/) è un’idea collegata: fare fine-tuning di un modello piccolo sugli output di uno più grande.

## Perché è importante

-   **Prompt più corti.** Un comportamento che richiedeva un lungo [prompt few-shot](https://broadrouter.com/it/glossary/few-shot-prompting/) può passare nei pesi, riducendo i token di input a ogni chiamata.
-   **Coerenza.** Sono buoni casi d’uso la classificazione, uno stile di output fisso, la traduzione di dominio e la correzione di errori nel seguire le istruzioni.
-   **Manutenzione.** Un modello addestrato è legato a un solo modello base. Quando la base viene ritirata, devi riaddestrare. La guida di OpenAI ora dice che sta chiudendo gradualmente la sua piattaforma di fine-tuning, non più aperta ai nuovi utenti, e che i modelli addestrati restano serviti finché non vengono dismessi i loro modelli base.
-   **Prima misura.** Costruisci una [eval](https://broadrouter.com/it/glossary/eval/) prima dell’addestramento, altrimenti non puoi sapere se il modello addestrato è migliore.

Il fine-tuning è un pessimo modo per aggiungere fatti che cambiano. Il recupero li mantiene aggiornati.

## Su BroadNet Inference

Il [riferimento API](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-glossary-fine-tuning&utm_content=body#models) di BroadNet non documenta un’API di fine-tuning, job di addestramento o il caricamento di pesi propri. Dice però che “our Arabic fine-tunes and other models on request” (traduzione: i nostri fine-tune in arabo e altri modelli su richiesta) si raggiungono con un ID di modello privato rilasciato insieme all’endpoint. BroadNet elenca uno di questi modelli su richiesta: un fine-tune di Cohere Transcribe Arabic per numeri, date e nomi in audio rumoroso. Per il modello pubblico di trascrizione in arabo, vedi la [guida allo speech-to-text in arabo](https://broadrouter.com/it/guides/arabic-speech-to-text-api/). Se devi addestrarne uno tuo, il punto di partenza abituale è un [modello open-weight](https://broadrouter.com/it/glossary/open-weight-model/); i compromessi sono in [modelli open-weight o chiusi](https://broadrouter.com/it/blog/open-weight-vs-closed-models/).

## Domande frequenti

### Quanti esempi servono per fare fine-tuning di un LLM?

La guida di OpenAI fissa un minimo di 10 e suggerisce di partire con 50 esempi ben fatti, poi misurare. Se 50 buoni esempi non cambiano nulla, ripensa il compito prima di aggiungerne altri.

### Fine-tuning o RAG per la conoscenza aziendale?

Di solito il recupero (RAG). Il fine-tuning insegna bene comportamento e formato, ma i fatti che cambiano sono più facili da tenere aggiornati in documenti recuperati al momento della richiesta.

### Posso fare fine-tuning di un modello su BroadNet Inference?

La documentazione di BroadNet non elenca un’API di fine-tuning. Cita i fine-tune in arabo di BroadNet, accessibili come endpoint privati su richiesta.

## Vedi anche

-   [LoRA (low-rank adaptation)](https://broadrouter.com/it/glossary/lora/) (termine)
-   [Distillazione (knowledge distillation)](https://broadrouter.com/it/glossary/distillation/) (termine)
-   [Few-shot prompting (prompt con esempi)](https://broadrouter.com/it/glossary/few-shot-prompting/) (termine)
-   [Modello open-weight (a pesi aperti)](https://broadrouter.com/it/glossary/open-weight-model/) (termine)
-   [Eval (valutazione degli LLM)](https://broadrouter.com/it/glossary/eval/) (termine)
-   [API speech-to-text in arabo, passo dopo passo](https://broadrouter.com/it/guides/arabic-speech-to-text-api/) (guida)
-   [Modelli AI open-weight o chiusi in azienda: costi, controllo, rischi](https://broadrouter.com/it/blog/open-weight-vs-closed-models/) (articolo)
-   [Come valutare un LLM prima di cambiare provider](https://broadrouter.com/it/blog/evaluate-llm-before-switching/) (articolo)

Provalo sul tuo carico di lavoro reale. I nuovi account partono con USD 5 di credito per Gemma e trascrizione. DeepSeek, GLM e Qwen3.8 richiedono una ricarica.

[Inizia](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-glossary-fine-tuning&utm_content=page-cta) ·

**Fonti**

-   [OpenAI, guida al supervised fine-tuning](https://developers.openai.com/api/docs/guides/supervised-fine-tuning)
-   [Hu et al. (2021), LoRA - Low-Rank Adaptation of Large Language Models](https://arxiv.org/abs/2106.09685)
-   [Riferimento API di BroadNet Inference, ID dei modelli ed endpoint privati (in inglese)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-glossary-fine-tuning&utm_content=sources#models)
