Bună! Sunt

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.

Contactează-mă

Despre Mine

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.

Competențele Mele

Analisi Dati & Modelli Previsionali

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

Automatizarea Proceselor

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

Sisteme Personalizate

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"
  ]
};

Misiunea Mea

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

Democratizarea Tehnologiei

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.

Unirea IT și Economiei

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.

Crearea de Soluții Personalizate

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.

Transformă-ți Afacerea cu Tehnologia

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.

Hai să Vorbim →

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.

Contactează-mă

Ai un proiect în minte? Hai să vorbim! Completează formularul și îți voi răspunde curând.

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

SLM în 2026: Privire de ansamblu asupra modelelor lingvistice mici și a reperelor

În 2023, „modelul AI” însemna aproape întotdeauna GPT-4 sau Claude. În 2026, peisajul și radical diferit: Phi-4-mini (3,8 miliarde de parametri) depășește Mixtral 8x7B (46B) pe criteriile de referință ale raționamentului matematic, rulează parametrul de 135 de milioane SmolLM2 Raspberry Pi 4 și Gemma 3n E4B au un LMArena Elo peste 1300 - mai mare decât multe Modele 70B de acum un an. Era modelelor lingvistice mici a sosit și are implicații concret pentru cei care dezvoltă aplicații AI.

Ce vei învăța

Harta principalelor SLM-uri în 2026: Phi-4-mini, Gemma 3n, Qwen 3, SmolLM2, DeepSeek
Cum se interpretează reperele: MMLU, HumanEval, MATH, GPQA
Ce model să alegeți pentru sarcinile de codificare, raționament, chat și clasificare
Hardware necesar pentru inferența locală cu fiecare model
Cum să rulați benchmark-uri personalizate în cazul dvs. de utilizare

Ce definește un model de limbă „mic” în 2026

Definiția „mic” s-a schimbat de-a lungul timpului. În 2024, „mic” însemna sub 7B parametrii. În 2026, cu modelele 1B concurând cu cele 13B de acum doi ani, pragul practica sa mutat: considerăm SLM modelele sub 10B parametri care pot rula pe hardware de consum fără cuantizare agresivă.

Model	Parametrii	Creator	Licenţă	VRAM (fp16)
SmolLM2	135M - 1,7B	HuggingFace	Apache 2.0	0,3 - 3,5 GB
Phi-4-mini	3.8B	Microsoft	MIT	7,6 GB
Gemma 3n E4B	4B eff.	Google	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 distilat	DeepSeek	MIT	14 GB
Mistral 7B v0.3	7B	Mistral AI	Apache 2.0	14 GB
Lama 3.2 (3B)	3B	Jumătate	Lama 3.2	6 GB

Criterii de referință: Cum să le interpretați corect

Criteriile de referință academice sunt utile, dar trebuie interpretate cu prudență. Un model care excelează pe MMLU (cunoștințe generale) poate fi inadecvat pentru generarea de cod Python curat. Iată principalele repere și ceea ce măsoară acestea de fapt.

Repere academice cheie

# 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

Cum să construiți un benchmark pe cazul dvs. de utilizare

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")

Cerințe hardware: de ce aveți nevoie pentru a rula SLM-uri

Unul dintre principalele avantaje ale SLM-urilor este că rulează pe hardware de consum. Iată ghidul practic.

Hardware	VRAM / RAM	Modele compatibile (fp16)	Jetoane/sec (aproximativ)
MacBook M3 Pro (18 GB)	18 GB unificat	Phi-4-mini, Gemma 3n, Llama 3.2 3B	25-40 tok/s
MacBook M4 Max (48 GB)	48 GB unificat	Toate 7B, Llama 3 8B	60-80 tok/s
RTX 4060 (8 GB)	8 GB VRAM	Phi-4-mini q4, SmolLM2 1.7B	35-55 tok/s
RTX 4070 (12 GB)	12 GB VRAM	Phi-4-mini fp16, Qwen 3 7B q4	50-70 tok/s
RTX 4090 (24 GB)	24 GB VRAM	Toate 7B fp16, Llama 3 8B	100-130 tok/s
Server A100 (80 GB)	80 GB VRAM	Modele de până la 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")

Ce SLM să alegeți pentru cazul dvs. de utilizare

Alegerea modelului depinde în principal de sarcină. Iată ghidul practic bazat pe benchmark-uri și testarea comunității în 2026.

Recomandări de caz de utilizare

Codare (Python, TypeScript, SQL): Qwen 3 7B sau DeepSeek-R1 7B — cel mai bun din clasă pentru 7B
Raționament matematic/logic: DeepSeek-R1 7B distilat — îmbunătățire uriașă față de bază
Chat și asistent general: Phi-4-mini sau Gemma 3n — cel mai bun raport calitate/dimensiune
Clasificare simplă și NLU: SmolLM2 1.7B — deja peste prag pentru multe sarcini
Mobil pe dispozitiv: Gemma 3n E4B (optimizat pentru NPU) sau SmolLM2 135M
RAG italian: Phi-4-mini (multilingual forte) sau Mistral 7B v0.3

Concluzii

2026 a validat definitiv epoca modelelor lingvistice mici: modele 3-7B cu arhitectura potrivită și datele de antrenament potrivite bat modelele de 10 ori mai vechi de doi ani în urmă. Alegerea nu mai este „LLM vs SLM” ci „care SLM pentru ce sarcină pe ce hardware”.

Următorul articol din serie compară Phi-4-mini și Gemma 3n în detaliu: cele două opțiuni cel mai interesant pentru implementarea edge în 2026, cu benchmark-uri paralele privind codarea, sarcini de raționament și conversație în italiană și engleză.

Seria: Modele lingvistice mici

Articolul 1 (acesta): SLM în 2026 - Prezentare generală și Benchmark
Articolul 2: Phi-4-mini vs Gemma 3n - Comparație detaliată
Articolul 3: Ajustare fină cu LoRA și QLoRA
Articolul 4: Cuantificare pentru Edge - GGUF, ONNX, INT4
Articolul 5: Ollama - SLM local în 5 minute