---
title: "Cos’è LoRA? Il fine-tuning degli LLM con matrici low-rank"
description: "LoRA fa il fine-tuning di un LLM addestrando due piccole matrici a basso rango accanto ai pesi congelati. Come funziona, i conti sui parametri e la latenza zero."
url: https://broadrouter.com/it/glossary/lora/
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/lora/) (aggiornato il 2026-11-14).

# LoRA (low-rank adaptation)

Aggiornato 2026-11-14

LoRA (low-rank adaptation, adattamento a basso rango) è un metodo di fine-tuning efficiente nei parametri che congela i pesi di un modello pre-addestrato e addestra una coppia di piccole matrici a basso rango per i layer scelti. L’aggiornamento appreso può essere salvato come piccolo adapter o fuso nei pesi, senza aggiungere latenza in inferenza.

Detto anche: LoRA, adattamento a basso rango, fine-tuning LoRA, adapter LoRA, addestramento LoRA, low-rank adaptation, LoRA adapter, LoRA fine-tuning

LoRA ha reso praticabile il fine-tuning di modelli grandi su hardware comune, addestrando una piccola correzione invece dell’intero modello.

## Come funziona

Hu e colleghi hanno osservato che la modifica che il fine-tuning apporta a una matrice di pesi tende ad avere rango basso. LoRA quindi tiene congelata la matrice originale W₀ e apprende la modifica come prodotto di due matrici sottili:

W = W₀ + BA, dove B è d × r, A è r × k, e r è molto più piccolo di d o di k.

B parte da zero, quindi l’addestramento inizia dal modello invariato. L’articolo ha applicato LoRA soprattutto alle proiezioni query e value dell’attenzione.

Il risparmio di parametri è facile da calcolare. Per una matrice 4.096 × 4.096:

|  | Parametri |
| --- | --- |
| Aggiornamento completo | 4.096 × 4.096 = 16.777.216 |
| LoRA, r = 8 | 8 × (4.096 + 4.096) = 65.536 |

È circa lo 0,4% del totale. Su GPT-3 175B l’articolo riporta 10.000 volte meno parametri addestrabili, un taglio di 3× della memoria GPU e checkpoint che scendono da circa 350 GB a circa 35 MB.

## Perché è importante

-   **Addestramento più economico.** Meno pesi addestrabili significa meno memoria per lo stato dell’ottimizzatore. Unito alla [quantizzazione](https://broadrouter.com/it/glossary/quantization/) del modello base congelato, permette a modelli più grandi di stare su GPU più piccole.
-   **Nessuna latenza in più.** La guida PEFT di Hugging Face osserva che gli adapter si possono fondere con `merge_and_unload()`, quindi servire il modello costa quanto il modello base.
-   **Molti compiti, una sola base.** Siccome la base resta congelata, puoi tenere una sola copia di un [modello open-weight](https://broadrouter.com/it/glossary/open-weight-model/) e cambiare piccoli adapter per cliente o per compito.
-   **Limiti.** LoRA cambia bene comportamento e stile. Resta comunque [fine-tuning](https://broadrouter.com/it/glossary/fine-tuning/), quindi richiede buoni dati e una eval.

## Su BroadNet Inference

Il [riferimento API](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-glossary-lora&utm_content=body#models) di BroadNet non documenta LoRA, il caricamento di adapter né la selezione di un adapter per richiesta. Chiami ID di modello fissi come `broadnet/qwen3.8-27b`. Endpoint privati e fine-tune arabi di BroadNet sono disponibili su richiesta, ma la documentazione non dice come sono stati addestrati. Se pensi di addestrare adapter da solo, confronta quella strada con i prezzi delle API con l’articolo [self-hosting o API](https://broadrouter.com/it/blog/self-hosting-llm-vs-api-cost/), e se usi entrambi, un router come [LiteLLM](https://broadrouter.com/it/guides/litellm-proxy-custom-provider/) può mandare il traffico all’uno o all’altro.

## Domande frequenti

### Cosa significa il rango r in LoRA?

È la dimensione interna delle due piccole matrici. Un rango più basso significa meno parametri addestrabili e un adapter più piccolo. L’articolo su LoRA riporta che ranghi di appena 1 o 2 funzionavano bene su GPT-3 175B.

### LoRA è valido quanto il fine-tuning completo?

L’articolo su LoRA riporta una qualità "on-par or better than fine-tuning" (traduzione: pari o superiore al fine-tuning) su RoBERTa, DeBERTa, GPT-2 e GPT-3, con molti meno parametri addestrabili. Provalo sul tuo compito.

### Posso caricare un adapter LoRA su BroadNet Inference?

La documentazione di BroadNet non descrive il caricamento di adapter. Endpoint privati e fine-tune realizzati da BroadNet sono disponibili su richiesta.

## Vedi anche

-   [Fine-tuning (addestramento di un LLM)](https://broadrouter.com/it/glossary/fine-tuning/) (termine)
-   [Quantizzazione (quantization)](https://broadrouter.com/it/glossary/quantization/) (termine)
-   [Modello open-weight (a pesi aperti)](https://broadrouter.com/it/glossary/open-weight-model/) (termine)
-   [Distillazione (knowledge distillation)](https://broadrouter.com/it/glossary/distillation/) (termine)
-   [Instradare LiteLLM verso BroadNet Inference (SDK e proxy)](https://broadrouter.com/it/guides/litellm-proxy-custom-provider/) (guida)
-   [LLM in self-hosting o via API: costo reale e punto di pareggio](https://broadrouter.com/it/blog/self-hosting-llm-vs-api-cost/) (articolo)
-   [Modelli AI open-weight o chiusi in azienda: costi, controllo, rischi](https://broadrouter.com/it/blog/open-weight-vs-closed-models/) (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-lora&utm_content=page-cta) ·

**Fonti**

-   [Hu et al. (2021), LoRA - Low-Rank Adaptation of Large Language Models](https://arxiv.org/abs/2106.09685)
-   [Hugging Face PEFT, guida concettuale a LoRA](https://huggingface.co/docs/peft/main/en/conceptual_guides/lora)
-   [Riferimento API di BroadNet Inference, ID dei modelli (in inglese)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-glossary-lora&utm_content=sources#models)
