---
title: "Cos'è il Fine-Tuning?"
description: "Il Fine-Tuning consiste nel proseguire l'addestramento di un modello di IA preaddestrato sui tuoi esempi, perché apprenda uno stile, un formato o una task precisi. Significato, differenza con RAG e prompting e quando vale la pena."
type: "glossary"
locale: "it"
term: "Fine-Tuning"
canonical: "https://agenticschool.dev/it/glossario/fine-tuning"
dateModified: "2026-07-03"
---

# Cos'è il Fine-Tuning?

- Definition: Fine-Tuning
- Updated: 2026-07-03
- Keywords: fine-tuning, what is fine-tuning, fine-tuning meaning, fine-tuning vs rag, model fine-tuning
- Canonical URL: https://agenticschool.dev/it/glossario/fine-tuning
- Locale: it

> Il Fine-Tuning consiste nel proseguire l'addestramento di un modello di IA preaddestrato sui tuoi esempi, perché apprenda uno stile, un formato o una task precisi. Significato, differenza con RAG e prompting e quando vale la pena.

Il Fine-Tuning è il procedimento che consiste nel prendere un modello di IA preaddestrato e proseguirne l'addestramento su un insieme mirato di tuoi esempi, perché adotti in modo affidabile uno stile, un formato o una competenza precisi senza che tu debba dirlo nel prompt ogni volta. Il modello di base conosce già il linguaggio in gran parte; il Fine-Tuning spinge i suoi pesi verso il tuo caso d'uso stretto, che si tratti di rispondere nella voce del tuo brand, restituire sempre una forma JSON precisa o trattare un dominio specializzato. È uno strumento più pesante del prompting o del RAG, perché modifica il modello stesso, quindi si ripaga quando hai bisogno di un comportamento coerente su larga scala e di buoni dati di esempio da cui apprendere.

## Come funziona il Fine-Tuning

Il Fine-Tuning addestra un modello esistente su esempi etichettati del comportamento voluto. Prepari coppie ingresso-uscita ideale, lanci una sessione di addestramento e ottieni una versione adattata del modello.

- Raccogliere gli esempi: raduna coppie ingresso-verso-uscita di alta qualità che mostrano il comportamento voluto.
- Addestrare: lancia una sessione di Fine-Tuning che aggiusta i pesi del modello verso questi esempi.
- Usare: chiama il tuo modello adattato, che ora pende di default verso quello stile o quella task.

## Fine-Tuning vs RAG vs prompting

Questi tre modi di adattare un modello risolvono problemi diversi. Il prompting plasma una risposta unica con istruzioni. Il RAG aggiunge conoscenza fresca al momento della query recuperando documenti. Il Fine-Tuning infonde comportamento cambiando i pesi. Una regola semplice: fai prima prompting, aggiungi il RAG quando il modello deve conoscere i tuoi fatti, e fai Fine-Tuning quando hai bisogno di uno stile coerente o di un formato che il prompting non tiene. La conoscenza va nel RAG; il comportamento va nel Fine-Tuning.

## Quando il Fine-Tuning vale la pena

Il Fine-Tuning vale lo sforzo quando una task ritorna su larga scala, l'output voluto è stretto e coerente e puoi fornire abbastanza esempi puliti da cui apprendere. Di solito non è la prima mossa: costa tempo e denaro, deve essere rifatto quando il modello di base viene aggiornato e non aggiunge nessuna conoscenza in tempo reale. Per la maggior parte di chi costruisce, un System Prompt affilato più il RAG ti porta quasi alla meta, e il Fine-Tuning è il passo finale per i casi in cui la coerenza conta davvero.

## FAQ

### Cos'è il Fine-Tuning nell'IA?

Il Fine-Tuning consiste nel proseguire l'addestramento di un modello preaddestrato sui tuoi esempi, perché adotti in modo affidabile uno stile, un formato o una task precisi. Aggiusta i pesi del modello al tuo caso d'uso, così tu non debba dettagliare quel comportamento in ogni prompt.

### Qual è la differenza tra Fine-Tuning e RAG?

Il Fine-Tuning cambia i pesi del modello per plasmare un comportamento, ed è costoso da aggiornare. Il RAG lascia il modello invariato e lo nutre di conoscenza pertinente al momento della query. Usa il Fine-Tuning per uno stile o un formato coerente, e il RAG per fatti che cambiano o devono essere citati.

### Il Fine-Tuning è meglio del prompting?

Come prima mossa, il più delle volte no. Il prompting è modificabile subito e gratuitamente, quindi inizia lì. Il Fine-Tuning vince solo se una task ritorna su larga scala e hai bisogno di una coerenza che il prompting non tiene, e se hai abbastanza esempi puliti per addestrare.

### Quanti dati servono per fare il fine-tuning di un modello?

Dipende dalla task, ma la qualità conta più della pura quantità. Da qualche centinaio a qualche migliaio di esempi puliti e rappresentativi è un intervallo di partenza comune per task di stile o di formato. Esempi sporchi o incoerenti danneggiano più di quanto aiutino.