Hallo! Ik ben

Federico Calò

Sviluppatore Software | Divulgatore Tecnico

Creo applicazioni web moderne e strumenti digitali personalizzati per aiutare le attività a crescere attraverso l'innovazione tecnologica. La mia passione è unire informatica ed economia per generare valore reale.

Neem Contact Op

Over Mij

La mia passione per l'informatica è nata tra i banchi dell'Istituto Tecnico Commerciale di Maglie, dove ho scoperto il potere della programmazione e il fascino di creare soluzioni digitali. Fin da subito, ho capito che l'informatica non era solo codice, ma uno strumento straordinario per trasformare idee in realtà.

Durante gli studi superiori in Sistemi Informativi Aziendali, ho iniziato a intrecciare informatica ed economia, comprendendo come la tecnologia possa essere il motore della crescita per qualsiasi attività. Questa visione mi ha accompagnato all'Università degli Studi di Bari, dove ho conseguito la Laurea in Informatica, approfondendo le mie competenze tecniche e la mia passione per lo sviluppo software.

Oggi metto questa esperienza al servizio di imprese, professionisti e startup, creando soluzioni digitali su misura che automatizzano processi, ottimizzano risorse e aprono nuove opportunità di business. Perché la vera innovazione inizia quando la tecnologia incontra le esigenze reali delle persone.

Mijn Vaardigheden

Analisi Dati & Modelli Previsionali

Trasformo i dati in insights strategici con analisi approfondite e modelli predittivi per decisioni informate

Procesautomatisering

Creo strumenti personalizzati che automatizzano operazioni ripetitive e liberano tempo per attività a valore aggiunto

Maatwerksystemen

Sviluppo sistemi software su misura, dalle integrazioni tra piattaforme alle dashboard personalizzate

const federico = {
  nome: "Federico Calò",
  ruolo: "Sviluppatore Software",
  città: "Bari, Italia",
  missione: "Aiutare attraverso l'informatica",
  passioni: [
    "Codice Pulito",
    "Innovazione",
    "Crescita Continua"
  ]
};

Mijn Missie

Credo fermamente che l'informatica sia lo strumento più potente per trasformare le idee in realtà e migliorare la vita delle persone.

Technologie Democratiseren

La mia missione è rendere l'informatica accessibile a tutti: dalle piccole imprese locali alle startup innovative, fino ai professionisti che vogliono digitalizzare la propria attività. Ogni realtà merita di sfruttare le potenzialità del digitale.

IT en Business Verenigen

Non è solo questione di scrivere codice: è capire come la tecnologia possa generare valore reale. Intrecciando competenze informatiche e visione economica, aiuto le attività a crescere, ottimizzare processi e raggiungere nuovi traguardi di efficienza e redditività.

Maatwerkoplossingen Creëren

Ogni attività è unica, e così devono esserlo le soluzioni. Sviluppo strumenti personalizzati che rispondono alle esigenze specifiche di ciascun cliente, automatizzando processi ripetitivi e liberando tempo per ciò che conta davvero: far crescere il business.

Transformeer Uw Bedrijf met Technologie

Che tu gestisca un negozio, uno studio professionale o un'azienda, posso aiutarti a sfruttare le potenzialità dell'informatica per lavorare meglio, più velocemente e in modo più intelligente.

Laten We Praten →

Unisciti alla Community

Entra nella community di sviluppatori dove discutiamo di software, AI, architettura e DevOps. Condividi idee, fai domande e cresci insieme a noi.

Canale

FC Dev Blog

Ricevi notifiche su nuovi articoli, serie complete, tips settimanali e tool in evidenza. Contenuti bilingui IT/EN direttamente nel tuo Telegram.

Nuovi articoli appena pubblicati
Tips e code snippets settimanali
Sondaggi sugli argomenti futuri

Iscriviti al Canale

Gruppo

FC Dev Community

Una community bilingue IT/EN per sviluppatori. Discussioni, Q&A, aiuto reciproco e networking con altri professionisti del settore.

Discussioni su articoli e tecnologie
Help coding e code review
Opportunità di lavoro e collaborazione

Unisciti al Gruppo

Topic di Discussione

Visualizza

Master SQL

RoadMap.sh

Novembre 2024

Visualizza

Oracle Certified Foundations Associate

Oracle

Ottobre 2024

Visualizza

People Leadership Credential

Connect

Settembre 2024

Linguaggi & Tecnologie

Java

Python

JavaScript

Angular

React

TypeScript

SQL

PHP

CSS/SCSS

Node.js

Docker

Git

💼

12/2024 - Presente

Custom Software Engineering Analyst

Accenture

Bari, Puglia, Italia · Ibrida Analisi e sviluppo di sistemi informatici attraverso l'utilizzo di Java e Quarkus in Health and Public Sector. Formazione continua su tecnologie moderne per la creazione di soluzioni software personalizzate ed efficienti e sugli agenti.

💼

06/2022 - 12/2024

Analista software e Back End Developer Associate Consultant

Links Management and Technology SpA

Esperienza nell'analisi di sistemi software as-is e flussi ETL utilizzando PowerCenter. Formazione completata su Spring Boot per lo sviluppo di applicazioni backend moderne e scalabili. Sviluppatore Backend specializzato in Spring Boot, con esperienza in progettazione di database, analisi, sviluppo e testing dei task assegnati.

💼

02/2021 - 10/2021

Programmatore software

Adesso.it (prima era WebScience srl)

Esperienza nell'analisi AS-IS e TO-BE, evoluzioni SEO ed evoluzioni website per migliorare le performance e l'engagement degli utenti.

🎓

2018 - 2025

Laurea in Informatica

Università degli Studi di Bari Aldo Moro

Bachelor's degree in Computer Science, focusing on software engineering, algorithms, and modern development practices.

📚

2013 - 2018

Diploma - Sistemi Informativi Aziendali

Istituto Tecnico Commerciale di Maglie

Technical diploma specializing in Business Information Systems, combining IT knowledge with business management.

Neem Contact Op

Heeft u een project in gedachten? Laten we praten! Vul het formulier in en ik reageer snel.

* Campi obbligatori. I tuoi dati saranno utilizzati solo per rispondere alla tua richiesta.

SLM in 2026: overzicht van kleine taalmodellen en benchmarks

In 2023 betekende "AI-model" bijna altijd GPT-4 of Claude. In 2026 zal het landschap en radicaal anders: Phi-4-mini (3,8 miljard parameters) presteert beter dan Mixtral 8x7B (46B) op benchmarks voor wiskundig redeneren draait de 135 miljoen parameter SmolLM2 Raspberry Pi 4 en Gemma 3n E4B hebben een LMArena Elo van boven de 1300 – hoger dan veel andere 70B-modellen van een jaar geleden. Het tijdperk van de kleine taalmodellen is aangebroken, en dat heeft implicaties concreet voor degenen die AI-toepassingen ontwikkelen.

Wat je gaat leren

De kaart van de belangrijkste SLM's in 2026: Phi-4-mini, Gemma 3n, Qwen 3, SmolLM2, DeepSeek
Hoe de benchmarks te interpreteren: MMLU, HumanEval, MATH, GPQA
Welk model u moet kiezen voor codeer-, redeneer-, chat- en classificatietaken
Hardware vereist voor lokale gevolgtrekking bij elk model
Hoe u aangepaste benchmarks kunt uitvoeren voor uw gebruiksscenario

Wat definieert een ‘klein’ taalmodel in 2026

De definitie van ‘klein’ is in de loop van de tijd veranderd. In 2024 betekende ‘klein’ minder dan 7 miljard parameters. In 2026, waarbij 1B-modellen concurreren met de 13B's van twee jaar geleden, wordt de drempel overschreden de praktijk is veranderd: we beschouwen SLM als de modellen onder 10B-parameters die kunnen worden uitgevoerd op consumentenhardware zonder agressieve kwantisering.

Model	Parameters	Schepper	Licentie	VRAM (fp16)
SmolLM2	135M - 1,7B	Knuffelend Gezicht	Apache 2.0	0,3 - 3,5 GB
Phi-4-mini	3,8B	Microsoft	MIT	7,6 GB
Gemma 3n E4B	4B eff.	Googlen	Gemma ToS	8 GB
Qwen 3 (1,7B)	1,7B	Alibaba	Apache 2.0	3,4 GB
Qwen 3 (7B)	7B	Alibaba	Apache 2.0	14 GB
DeepSeek-R1 (7B)	7B gedestilleerd	Diepzoeken	MIT	14 GB
Mistral 7B v0.3	7B	Mistral AI	Apache 2.0	14 GB
Lama 3.2 (3B)	3B	Half	Lama's 3.2	6 GB

Benchmarks: hoe u ze correct kunt interpreteren

Academische benchmarks zijn nuttig, maar moeten met voorzichtigheid worden geïnterpreteerd. Een model dat uitblinkt op MMLU (algemene kennis) kan onvoldoende zijn voor het genereren van schone Python-code. Dit zijn de belangrijkste benchmarks en wat ze daadwerkelijk meten.

Belangrijke academische benchmarks

# Confronto benchmark principali (valori approssimativi, Febbraio 2026)
benchmarks = {
    "Phi-4-mini (3.8B)": {
        "MMLU": 72.8,         # Conoscenza generale, 57 soggetti
        "HumanEval": 62.3,    # Completamento codice Python
        "MATH": 70.5,         # Ragionamento matematico (AMC/AIME)
        "GPQA Diamond": 36.2, # PhD-level science questions
        "MT-Bench": 7.8,      # Conversazione multi-turno (1-10)
    },
    "Gemma 3n E4B": {
        "MMLU": 74.1,
        "HumanEval": 58.7,
        "MATH": 65.3,
        "GPQA Diamond": 34.8,
        "MT-Bench": 8.1,
        "LMArena Elo": 1312,  # Confronto umano (stile chess ELO)
    },
    "Qwen 3 7B": {
        "MMLU": 78.3,
        "HumanEval": 72.1,
        "MATH": 78.9,
        "GPQA Diamond": 41.2,
        "MT-Bench": 8.4,
    },
    "DeepSeek-R1 7B distilled": {
        "MMLU": 75.2,
        "HumanEval": 68.4,
        "MATH": 82.3,         # Eccelle nel ragionamento matematico
        "GPQA Diamond": 38.7,
        "MT-Bench": 8.0,
    },
    # Per confronto: modelli piu grandi
    "Mixtral 8x7B (46B)": {
        "MMLU": 71.4,         # Phi-4-mini (3.8B) lo supera!
        "HumanEval": 60.1,
        "MATH": 66.8,
    },
}

# NOTA IMPORTANTE: i benchmark non misurano tutto
# - Hallucination rate (frequenza di invenzioni plausibili)
# - Instruction following su task complessi
# - Context handling su documenti lunghi
# - Velocita di inferenza su hardware specifico
# - Consumo energetico

Hoe u een benchmark kunt opbouwen voor uw gebruiksscenario

from lm_eval.api.model import LM
from lm_eval import evaluator
import json

def benchmark_slm_for_custom_task(
    model_name: str,
    task_examples: list[dict],
    metric_fn: callable
) -> dict:
    """
    Benchmark di un SLM su un task personalizzato.
    task_examples: lista di {"input": str, "expected": str}
    metric_fn: funzione che restituisce float 0-1 (accuracy, F1, etc.)
    """
    from transformers import AutoModelForCausalLM, AutoTokenizer
    import torch

    tokenizer = AutoTokenizer.from_pretrained(model_name)
    model = AutoModelForCausalLM.from_pretrained(
        model_name,
        torch_dtype=torch.float16,
        device_map="auto"
    )

    results = []
    total_time = 0

    for example in task_examples:
        import time
        start = time.time()

        inputs = tokenizer(example["input"], return_tensors="pt").to(model.device)
        with torch.no_grad():
            outputs = model.generate(
                **inputs,
                max_new_tokens=256,
                temperature=0.1,  # bassa temperatura per task deterministici
                do_sample=False
            )
        elapsed = time.time() - start

        generated = tokenizer.decode(
            outputs[0][inputs.input_ids.shape[1]:],
            skip_special_tokens=True
        )

        score = metric_fn(generated, example["expected"])
        results.append({
            "input": example["input"][:50],
            "expected": example["expected"],
            "generated": generated,
            "score": score,
            "latency_ms": elapsed * 1000
        })
        total_time += elapsed

    avg_score = sum(r["score"] for r in results) / len(results)
    avg_latency = sum(r["latency_ms"] for r in results) / len(results)

    return {
        "model": model_name,
        "task_score": round(avg_score, 4),
        "avg_latency_ms": round(avg_latency, 1),
        "total_examples": len(results),
        "hardware": torch.cuda.get_device_name(0) if torch.cuda.is_available() else "CPU",
        "detail": results
    }

# Esempio di uso per classificazione del sentiment in italiano
sentiment_examples = [
    {"input": "Classifica il sentiment: 'Il prodotto e eccellente!' -> ", "expected": "positivo"},
    {"input": "Classifica il sentiment: 'Esperienza terribile, non lo raccomando' -> ", "expected": "negativo"},
    # ... 100 esempi dal proprio dataset reale ...
]

def exact_match(generated: str, expected: str) -> float:
    return 1.0 if expected.lower() in generated.lower() else 0.0

# Eseguire il benchmark su piu modelli
for model in ["microsoft/phi-4-mini", "Qwen/Qwen3-7B", "google/gemma-3n-e4b"]:
    result = benchmark_slm_for_custom_task(model, sentiment_examples, exact_match)
    print(f"{model}: score={result['task_score']}, latency={result['avg_latency_ms']}ms")

Hardwarevereisten: wat u nodig hebt om SLM's uit te voeren

Een van de belangrijkste voordelen van SLM's is dat ze op consumentenhardware draaien. Hier vindt u de praktische gids.

Hardware	VRAM / RAM	Compatibele modellen (fp16)	Tokens/sec (ongeveer)
MacBook M3 Pro (18 GB)	18 GB verenigd	Phi-4-mini, Gemma 3n, Lama 3.2 3B	25-40 tok/s
MacBook M4Max (48GB)	48 GB verenigd	Alle 7B, Lama 3 8B	60-80 tok/sec
RTX4060 (8GB)	8 GB VRAM	Phi-4-miniq4, SmolLM2 1.7B	35-55 tok/sec
RTX4070 (12GB)	12 GB VRAM	Phi-4-mini fp16, Qwen 3 7B q4	50-70 tok/s
RTX4090 (24GB)	24 GB VRAM	Alle 7B fp16, Lama 3 8B	100-130 tok/s
A100-server (80 GB)	80 GB VRAM	Modellen tot 40B	200-400 tok/s

# Verificare se un modello entra nella VRAM disponibile
def check_model_fits_vram(
    model_name: str,
    quantization: str = "fp16",
    safety_margin: float = 0.85
) -> dict:
    """
    Stima il VRAM necessario e verifica la compatibilita.
    quantization: 'fp32', 'fp16', 'int8', 'int4' (gguf q4)
    """
    import torch

    # Stima parametri del modello
    param_counts = {
        "microsoft/phi-4-mini": 3.8e9,
        "google/gemma-3n-E4B": 4.0e9,
        "Qwen/Qwen3-7B": 7.6e9,
        "deepseek-ai/DeepSeek-R1-Distill-Qwen-7B": 7.6e9,
        "meta-llama/Llama-3.2-3B": 3.2e9,
        "HuggingFaceTB/SmolLM2-1.7B": 1.7e9,
    }

    bytes_per_param = {
        "fp32": 4, "fp16": 2, "bf16": 2, "int8": 1, "int4": 0.5
    }

    params = param_counts.get(model_name, 0)
    if params == 0:
        return {"error": f"Model {model_name} not in database"}

    model_vram_gb = (params * bytes_per_param.get(quantization, 2)) / 1e9
    overhead_gb = 1.5  # KV cache + activations
    total_vram_gb = model_vram_gb + overhead_gb

    available_vram = 0
    if torch.cuda.is_available():
        available_vram = torch.cuda.get_device_properties(0).total_memory / 1e9
    elif hasattr(torch.backends, 'mps') and torch.backends.mps.is_available():
        # Apple Silicon: usare la memoria di sistema disponibile
        import psutil
        available_vram = psutil.virtual_memory().available / 1e9 * 0.7

    fits = total_vram_gb <= available_vram * safety_margin

    return {
        "model": model_name,
        "quantization": quantization,
        "model_vram_gb": round(model_vram_gb, 2),
        "total_with_overhead_gb": round(total_vram_gb, 2),
        "available_gb": round(available_vram, 2),
        "fits": fits,
        "recommendation": "OK" if fits else
            f"Insufficiente: prova int4 o un modello piu piccolo"
    }

# Test
for model in ["microsoft/phi-4-mini", "Qwen/Qwen3-7B"]:
    for quant in ["fp16", "int8", "int4"]:
        result = check_model_fits_vram(model, quant)
        status = "OK" if result["fits"] else "NO"
        print(f"[{status}] {model} ({quant}): {result['total_with_overhead_gb']:.1f}GB needed")

Welke SLM u moet kiezen voor uw gebruiksscenario

De keuze van het model hangt vooral af van de taak. Hier is de praktische gids gebaseerd op benchmarks en gemeenschapstesten in 2026.

Aanbevelingen voor gebruiksscenario's

Codering (Python, TypeScript, SQL): Qwen 3 7B of DeepSeek-R1 7B - de beste in zijn klasse voor 7B
Wiskundig/logisch redeneren: DeepSeek-R1 7B gedistilleerd - enorme verbetering ten opzichte van de basis
Chat en algemeen assistent: Phi-4-mini of Gemma 3n — beste kwaliteit/grootteverhouding
Eenvoudige classificatie en NLU: SmolLM2 1.7B — al boven de drempel voor veel taken
Mobiel op apparaat: Gemma 3n E4B (geoptimaliseerd voor NPU) of SmolLM2 135M
Italiaanse RAG: Phi-4-mini (meertalig forte) of Mistral 7B v0.3

Conclusies

2026 heeft het tijdperk van kleine taalmodellen definitief gevalideerd: 3-7B-modellen met de juiste architectuur en de juiste trainingsdata verslaan modellen die 10x ouder zijn dan twee jaar geleden. De keuze is niet langer ‘LLM vs SLM’ maar ‘welke SLM voor welke taak op welke hardware’.

Het volgende artikel in de serie vergelijkt de Phi-4-mini en Gemma 3n in detail: de twee keuzes het meest interessant voor edge-implementatie in 2026, met naast elkaar liggende benchmarks op het gebied van codering, redeneer- en conversatietaken in het Italiaans en Engels.

Serie: kleine taalmodellen

Artikel 1 (dit): SLM in 2026 - Overzicht en benchmark
Artikel 2: Phi-4-mini versus Gemma 3n - Gedetailleerde vergelijking
Artikel 3: Afstemming met LoRA en QLoRA
Artikel 4: Kwantisering voor Edge - GGUF, ONNX, INT4
Artikel 5: Ollama - SLM Lokaal in 5 minuten