Cześć! Jestem

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.

Skontaktuj się

O Mnie

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.

Moje Umiejętności

Analisi Dati & Modelli Previsionali

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

Automatyzacja Procesów

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

Systemy Na Zamówienie

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"
  ]
};

Moja Misja

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

Demokratyzacja Technologii

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.

Łączenie IT i Biznesu

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.

Tworzenie Rozwiązań na Miarę

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.

Przekształć Swój Biznes z Technologią

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.

Porozmawiajmy →

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.

Skontaktuj się

Masz projekt? Porozmawiajmy! Wypełnij formularz, a odpowiem wkrótce.

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

SLM w 2026 r.: przegląd modeli małego języka i punktów odniesienia

W 2023 r. „model AI” prawie zawsze oznaczał GPT-4 lub Claude. W 2026 roku krajobraz i radykalnie inny: Phi-4-mini (3,8 miliarda parametrów) przewyższa Mixtral 8x7B (46B) na wzorcach rozumowania matematycznego działa 135 milionów parametrów SmolLM2 Raspberry Pi 4 i Gemma 3n E4B mają LMArena Elo powyżej 1300 — więcej niż wiele Modele 70B sprzed roku. Nadeszła era małych modeli językowych, co ma swoje konsekwencje konkretne dla tych, którzy opracowują aplikacje AI.

Czego się nauczysz

Mapa głównych SLM w 2026 roku: Phi-4-mini, Gemma 3n, Qwen 3, SmolLM2, DeepSeek
Jak interpretować benchmarki: MMLU, HumanEval, MATH, GPQA
Który model wybrać do zadań związanych z kodowaniem, wnioskowaniem, czatem i klasyfikacją
Sprzęt wymagany do lokalnego wnioskowania z każdym modelem
Jak uruchomić niestandardowe testy porównawcze w swoim przypadku użycia

Co definiuje „mały” model językowy w 2026 r

Definicja „małego” zmieniała się z biegiem czasu. W 2024 r. „mały” oznaczał poniżej 7B parametry. W 2026 r., gdy modele 1B będą konkurować z modelami 13B sprzed dwóch lat, próg praktyka się zmieniła: uważamy, że SLM to modele o parametrach poniżej 10B, które można uruchomić na sprzęcie konsumenckim bez agresywnej kwantyzacji.

Model	Parametry	Twórca	Licencja	Pamięć RAM (fp16)
SmolLM2	135 mln - 1,7 mld	Przytulana twarz	Apache 2.0	0,3 - 3,5 GB
Phi-4-mini	3,8B	Microsoftu	MIT	7,6 GB
Gemma 3n E4B	4B efekt.	Google	ToS Gemmy	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 destylowany	DeepSeek	MIT	14 GB
Mistral 7B v0.3	7B	AI Mistrala	Apache 2.0	14 GB
Lama 3.2 (3B)	3B	Połowa	Lamy 3.2	6 GB

Benchmarki: jak je poprawnie interpretować

Punkty odniesienia akademickie są przydatne, ale należy je interpretować ostrożnie. Model, który się wyróżnia na MMLU (wiedza ogólna) może być niewystarczająca do generowania czystego kodu Pythona. Oto główne punkty odniesienia i to, co faktycznie mierzą.

Kluczowe wzorce akademickie

# 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

Jak zbudować punkt odniesienia na podstawie przypadku użycia

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")

Wymagania sprzętowe: Co jest potrzebne do uruchomienia SLM

Jedną z głównych zalet SLM jest to, że działają na sprzęcie konsumenckim. Oto praktyczny przewodnik.

Sprzęt komputerowy	VRAM/RAM	Kompatybilne modele (fp16)	Tokeny/s (w przybliżeniu)
MacBook M3 Pro (18 GB)	18 GB zunifikowane	Phi-4-mini, Gemma 3n, Lama 3.2 3B	25-40 tok/s
MacBook M4 Max (48 GB)	Zunifikowane 48 GB	Wszystkie 7B, Lama 3 8B	60-80 tok/s
RTX 4060 (8 GB)	8 GB pamięci VRAM	Phi-4-mini q4, SmolLM2 1,7B	35-55 tok/s
RTX 4070 (12 GB)	12 GB pamięci VRAM	Phi-4-mini fp16, Qwen 3 7B q4	50-70 tok/s
RTX 4090 (24 GB)	24 GB pamięci VRAM	Wszystkie 7B fp16, Lama 3 8B	100-130 tok/s
Serwer A100 (80 GB)	80 GB pamięci VRAM	Modele do 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")

Który SLM wybrać dla swojego przypadku użycia

Wybór modelu zależy głównie od zadania. Oto praktyczny przewodnik oparty na benchmarki i testy społecznościowe w 2026 r.

Zalecenia dotyczące przypadków użycia

Kodowanie (Python, TypeScript, SQL): Qwen 3 7B lub DeepSeek-R1 7B — najlepszy w swojej klasie dla 7B
Rozumowanie matematyczne/logiczne: Destylowany DeepSeek-R1 7B — ogromna poprawa w stosunku do bazy
Czat i asystent ogólny: Phi-4-mini lub Gemma 3n — najlepszy stosunek jakości do wielkości
Prosta klasyfikacja i NLU: SmolLM2 1.7B — już powyżej progu dla wielu zadań
Urządzenie mobilne na urządzeniu: Gemma 3n E4B (zoptymalizowany dla NPU) lub SmolLM2 135M
Włoski RAG: Phi-4-mini (wielojęzyczny forte) lub Mistral 7B v0.3

Wnioski

Rok 2026 definitywnie zatwierdził erę modeli małego języka: modele 3-7B z właściwa architektura i odpowiednie dane szkoleniowe pokonują modele 10 razy starsze niż dwa lata temu. Wybór nie polega już na „LLM kontra SLM”, ale „który SLM do jakiego zadania, na jakim sprzęcie”.

Następny artykuł z serii szczegółowo porównuje Phi-4-mini i Gemma 3n: dwie możliwości najciekawsze pod względem wdrażania brzegowego w 2026 r., z równoległymi testami porównawczymi dotyczącymi kodowania, zadania polegające na rozumowaniu i konwersacji w języku włoskim i angielskim.

Seria: Małe modele językowe

Artykuł 1 (ten): SLM w 2026 r. – przegląd i benchmark
Artykuł 2: Phi-4-mini vs Gemma 3n – szczegółowe porównanie
Artykuł 3: Dostrajanie z LoRA i QLoRA
Artykuł 4: Kwantyzacja dla Edge - GGUF, ONNX, INT4
Artykuł 5: Ollama – SLM lokalnie w 5 minut