---
title: "Cos’è il grounding negli LLM? Risposte legate alle fonti"
description: "Il grounding lega la risposta di un LLM a fonti che fornisci tu, come documenti, risultati di ricerca o righe di database, così le affermazioni sono verificabili."
url: https://broadrouter.com/it/glossary/grounding/
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/grounding/) (aggiornato il 2026-11-14).

# Grounding (ancoraggio alle fonti)

Aggiornato 2026-11-14

Il grounding è la pratica di collegare l’output di un modello linguistico a fonti di informazione specifiche e verificabili, come documenti forniti, risultati di ricerca o record di database, chiedendogli di rispondere a partire da quelle. Le risposte ancorate si possono ricondurre a una fonte e contengono meno spesso fatti inventati.

Detto anche: ancoraggio alle fonti, risposte basate su fonti, generazione ancorata, grounding LLM, grounded generation, source grounding, grounded answers

Un modello senza grounding risponde a memoria. Uno con grounding risponde dalla pagina che ha davanti.

## Come funziona

La documentazione di Vertex AI di Google definisce il grounding come “the ability to connect model output to verifiable sources of information.” (traduzione: la capacità di collegare l’output del modello a fonti di informazione verificabili). La fonte può essere una ricerca web, i tuoi documenti, un servizio di mappe o un database. Qualunque sia la fonte, lo schema ha tre parti:

1.  **Recuperare le prove** per la domanda: passaggi recuperati, un file intero, l’immagine di una fattura, righe da SQL.
2.  **Metterle nel prompt** con l’istruzione di rispondere solo a partire da quelle.
3.  **Rendere la risposta verificabile** con citazioni, marcatori di riferimento o link alla fonte.

La retrieval-augmented generation è il metodo più noto. Lewis e colleghi hanno abbinato un generatore a un “dense vector index of Wikipedia” (traduzione: indice vettoriale denso di Wikipedia), interrogato da un retriever neurale, e hanno riportato risposte più specifiche e più fattuali di quelle di un modello che lavora solo con i propri parametri. Per costruire quell’indice servono gli [embedding](https://broadrouter.com/it/glossary/embeddings/) e spesso un [database vettoriale](https://broadrouter.com/it/glossary/vector-database/).

Un prompt minimo con grounding (resta in inglese: chiede di rispondere solo in base alla policy, citare la frase che lo giustifica e rispondere “Not in the policy.” se la policy non risponde):

```text
Answer using only the policy below. Quote the sentence that supports your answer.
If the policy does not answer the question, reply "Not in the policy."

<policy>Refunds are available within 14 days of purchase.</policy>

Question: Can I get a refund after three weeks?
```

Una risposta ancorata dice di no e cita la frase sui 14 giorni. Un modello senza grounding potrebbe inventare una policy di 30 giorni che suona normale.

Per input lunghi, Anthropic suggerisce un passaggio “prima le citazioni”: per documenti oltre i 20.000 token, fai estrarre al modello citazioni parola per parola, poi fallo rispondere solo a partire da quelle.

## Perché è importante

-   **Meno fatti inventati.** Google indica la riduzione delle allucinazioni come vantaggio principale. Il grounding è il rimedio più diretto alle [allucinazioni](https://broadrouter.com/it/glossary/hallucination/) sui tuoi dati.
-   **Informazioni aggiornate.** I pesi di un modello sono congelati al momento dell’addestramento. Le fonti di grounding possono cambiare ogni giorno senza riaddestrare.
-   **Verificabilità.** Un’affermazione con una citazione può essere controllata da una persona o dal codice.
-   **Compromesso sui costi.** Le prove sono token di input. Recuperare cinque passaggi costa meno che inviare un manuale intero, ma può mancare il passaggio che conta. I prompt molto lunghi rischiano anche problemi di richiamo [lost-in-the-middle](https://broadrouter.com/it/glossary/lost-in-the-middle/).

## Su BroadNet Inference

La documentazione di BroadNet non elenca un endpoint di embedding, uno strumento di ricerca o una funzione di citazione, quindi il recupero avviene nel tuo codice. Ciò che l’API ti dà è spazio per le prove: una [context window](https://broadrouter.com/it/glossary/context-window/) da 1.048.576 token su DeepSeek V4.1 Flash e GLM 5.3, 262.144 su Qwen3.8 27B, e input di immagini sui modelli la cui voce nella documentazione indica immagini o visione. Questo rende “incolla tutto il documento” un’opzione concreta; [contesto lungo o RAG](https://broadrouter.com/it/blog/long-context-vs-rag/) confronta il costo delle due strade, e la [guida alle fatture](https://broadrouter.com/it/guides/read-arabic-invoices-with-vision/) ancora l’estrazione a un’immagine scansionata.

## Domande frequenti

### Il grounding è la stessa cosa della RAG?

La RAG è un modo di fare grounding. Recupera passaggi e li aggiunge al prompt. Puoi fare grounding anche incollando un documento intero, allegando un’immagine o aggiungendo risultati di ricerca o di database in tempo reale.

### Il grounding garantisce una risposta corretta?

No. Il modello può comunque fraintendere o ignorare la fonte. Chiedi citazioni o riferimenti e controlla che ognuno esista davvero nella fonte.

### Come faccio a far rispondere un LLM solo dai miei documenti?

Fornisci i documenti, digli di usare solo quelli, permettigli di dire che la risposta non c’è e richiedi una citazione per ogni affermazione.

## Vedi anche

-   [Allucinazione (hallucination)](https://broadrouter.com/it/glossary/hallucination/) (termine)
-   [RAG (retrieval-augmented generation)](https://broadrouter.com/it/glossary/rag/) (termine)
-   [Embedding (embeddings)](https://broadrouter.com/it/glossary/embeddings/) (termine)
-   [Finestra di contesto (context window)](https://broadrouter.com/it/glossary/context-window/) (termine)
-   [Database vettoriale (vector database)](https://broadrouter.com/it/glossary/vector-database/) (termine)
-   [Lost in the middle (perso nel mezzo)](https://broadrouter.com/it/glossary/lost-in-the-middle/) (termine)
-   [Leggere fatture e scontrini in arabo con un modello vision](https://broadrouter.com/it/guides/read-arabic-invoices-with-vision/) (guida)
-   [Contesto lungo o RAG: quando 1M di token sostituisce un DB vettoriale](https://broadrouter.com/it/blog/long-context-vs-rag/) (articolo)
-   [RAG in arabo: normalizzazione, chunking e retrieval che funzionano](https://broadrouter.com/it/blog/arabic-rag-search/) (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-grounding&utm_content=page-cta) ·

**Fonti**

-   [Google Cloud, panoramica sul grounding (Vertex AI)](https://docs.cloud.google.com/vertex-ai/generative-ai/docs/grounding/overview)
-   [Lewis et al. (2020), Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks](https://arxiv.org/abs/2005.11401)
-   [Anthropic, ridurre le allucinazioni (citazioni testuali e riferimenti)](https://platform.claude.com/docs/en/test-and-evaluate/strengthen-guardrails/reduce-hallucinations)
-   [Riferimento API di BroadNet Inference, ID dei modelli e contesto (in inglese)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-glossary-grounding&utm_content=sources#models)
