# Come evito di addestrare un modello da zero?

> Come riutilizzare modelli esistenti invece di preaddestrarne uno proprio: fine-tuning, adattamento con LoRA, fusione di modelli o recupero di conoscenza.

Source: https://greenai.guide/it/come/come-evito-di-addestrare-un-modello-da-zero/  
Updated: 2026-11-19

## In breve

Cerchi un modello preaddestrato vicino al Suo compito, poi lo adatti: con il fine-tuning, con un piccolo adattatore come LoRA, oppure aggiungendo conoscenza tramite il recupero di informazioni (retrieval) invece di riaddestrarlo. Se ha già diversi modelli sottoposti a fine-tuning a partire dalla stessa base, fare la media dei loro pesi può migliorare l'accuratezza senza costi di inferenza aggiuntivi. Addestrare da zero è raramente necessario al di fuori della ricerca sui modelli di base.

## Steps

1. Cerchi negli hub pubblici di modelli quelli preaddestrati per il Suo dominio e la Sua lingua.
2. Provi i candidati più vicini sul Suo compito prima di concludere che manca qualcosa.
3. Esegua il fine-tuning o addestri un adattatore LoRA sui Suoi dati.
4. Usi il retrieval per la conoscenza che cambia, invece di riaddestrare.
5. Riutilizzi e fonda i modelli sottoposti a fine-tuning dalla stessa base, se ne dispone.
6. Pubblichi il Suo modello sottoposto a fine-tuning e le relative emissioni di addestramento, così che altri possano riutilizzarlo.

**Prima di tutto, riutilizzi.** Quasi sempre qualcuno ha già addestrato un modello vicino a ciò che Le serve, e
adattarlo costa una piccola frazione dell'addestramento di un modello proprio.

## Perché è importante? {#why-does-it-matter}

Il preaddestramento è la fase più energivora della vita di un modello. I pattern della Green Software Foundation
raccomandano di sfruttare modelli preaddestrati e il transfer learning invece di addestrare da zero. Un sandpit
(laboratorio di ricerca intensivo e collaborativo) britannico sull'IA verde del 2026, con matematici, informatici e
industria, ha inoltre osservato che molto lavoro utile si trova in repository poco conosciuti, quindi una ricerca
accurata è il primo passo di qualsiasi progetto.

## Quali sono le opzioni? {#what-are-the-options}

- **Fine-tuning** di un modello preaddestrato sui Suoi dati. Con LoRA, Hu e colleghi hanno ridotto i parametri
  addestrabili di 10.000 volte rispetto al fine-tuning completo di GPT-3 175B. Veda
  [come fare fine-tuning senza un'enorme potenza di calcolo](/it/come/come-faccio-il-fine-tuning-di-un-modello-senza-enormi-risorse-di/).
- **Retrieval** per la conoscenza che cambia: veda [retrieval o fine-tuning](/it/come/come-scelgo-tra-retrieval-e-fine-tuning-per-risparmiare-energia/).
- **Fusione di modelli.** Wortsman e colleghi hanno mostrato che fare la media dei pesi di diversi modelli sottoposti
  a fine-tuning dalla stessa base, una "model soup", può migliorare l'accuratezza senza aumentare il tempo di
  inferenza.
- **Distillazione** in un piccolo modello specializzato: veda [come distillare un modello](/it/come/come-distillo-un-modello-grande-in-uno-piu-piccolo/).

## Errori comuni {#common-mistakes}

- **Presumere che il proprio dominio sia troppo specialistico.** Provi prima modelli generali e di dominio; spesso ci
  si avvicinano molto.
- **Ignorare le licenze**, che possono escludere alcuni riutilizzi.
- **Non condividere a propria volta.** Pubblicare il proprio modello sottoposto a fine-tuning, con le emissioni di
  addestramento nei metadati della model card come consente Hugging Face, evita ad altri di ripetere il Suo lavoro.

Per l'aspetto di ricerca, legga [la matematica per un'IA efficiente](/it/articoli/la-matematica-che-rende-l-ia-piu-efficiente/).

## Fonti

- [Green Software Patterns: leverage pre-trained models and transfer learning](https://github.com/Green-Software-Foundation/patterns/blob/main/docs/development/pre-trained-transfer-learning.md), Green Software Foundation (2025)
- [Model soups: averaging weights of multiple fine-tuned models improves accuracy without increasing inference time](https://arxiv.org/abs/2203.05482), Wortsman et al., ICML (2022)
- [LoRA: low-rank adaptation of large language models](https://arxiv.org/abs/2106.09685), Hu et al. (2021)
- [Displaying carbon emissions for your model](https://huggingface.co/docs/hub/model-cards-co2), Hugging Face Hub documentation (2026)
