Title: Domande frequenti %E2%80%94 LLM EU
Canonical: https://llmeu.com/it/learn/
Markdown mirror: https://llmeu.com/it/learn.md
Machine-readable: https://llmeu.com/llms.txt (index) - https://llmeu.com/llms-full.txt (full catalogue) - https://llmeu.com/llms-catalogue.json

# Domande frequenti

## Nozioni di base

### [Che cos'%C3%A8 una finestra di contesto e che cos'%C3%A8 un token?](/it/learn/context-window-and-tokens/)

Un token %C3%A8 un piccolo pezzo di testo, all'incirca un frammento di parola. Una finestra di contesto %C3%A8 il numero massimo di token che una singola chiamata pu%C3%B2 contenere: le istruzioni, la conversazione svolta fino a quel punto, i passaggi recuperati e la risposta.

### [LLM vs AI: che cos'%C3%A8 un large language model, che cosa significa llm base e che cos'%C3%A8 Nemotron 3 Super?](/it/learn/llm-vs-ai/)

L'AI %C3%A8 il campo; un large language model %C3%A8 un tipo di modello al suo interno, un LLM base continua il testo invece di seguire istruzioni, e Nemotron 3 Super %C3%A8 un mixture of experts da 123.6B.

### [Che cos'%C3%A8 un LLM?](/it/learn/what-is-an-llm/)

Un LLM %C3%A8 un programma addestrato su grandi quantit%C3%A0 di testo per predire il token successivo, un piccolo pezzo di testo. Risponde dai suoi pesi e dal prompt che inviate, non da un database che consulta.

## Recupero

### [Che cos'%C3%A8 un retriever per LLM e quale modello di embedding multilingue conviene usare?](/it/learn/embeddings-and-vector-search/)

Un retriever abbina un modello di embedding, che trasforma il testo in vettori, a un reranker che assegna un punteggio ai passaggi. multilingual-e5-large %C3%A8 MIT con blocchi da 512 token; embeddinggemma-300m arriva a 2048.

### [Che cos'%C3%A8 il RAG?](/it/learn/what-is-rag/)

Il RAG %C3%A8 una pipeline, non un modello: la vostra applicazione recupera i passaggi e il modello risponde da quelli. Solo l'ultima fase %C3%A8 un completamento di chat; embedding e reranking sono chiamate separate.

## Hosting

### [Come vengono eseguiti gli LLM nell'UE?](/it/learn/how-llms-run-in-the-eu/)

Un modello gira dove gira un endpoint, e la sua riga ne registra la regione e la classe. La residenza %C3%A8 un filtro applicato prima della valutazione: se nulla la soddisfa, la richiesta restituisce 409 no_endpoint_for_policy.

### [Pesi aperti o API: quale conviene usare?](/it/learn/open-weights-vs-api/)

Pesi aperti significa che i file sono scaricabili; un endpoint significa che qualcuno li esegue per voi. Molte installazioni europee usano entrambi: un'API per il carico variabile, un checkpoint self-hosted per il lavoro sensibile.

## Costi

### [Quanto costa una chiamata all'API di un LLM e che cosa dicono i numeri dei benchmark?](/it/learn/llm-cost-and-pricing/)

Un prezzo viene letto dalla tariffa che registra la riga di un endpoint, per milione di token in ingresso e in uscita, pi%C3%B9 una commissione visibile per richiesta. Una riga senza tariffa registrata viene mostrata senza prezzo.

## Licenze

### [Come funzionano le licenze dei modelli aperti?](/it/learn/llm-licences-explained/)

Una licenza %C3%A8 un campo registrato su ogni scheda modello: un identificatore SPDX e un link al testo. Pesi aperti significa che i pesi sono scaricabili, non che l'uso commerciale sia consentito.

## API

### [Che cosa sono i rate limit di un'API LLM?](/it/learn/llm-rate-limits-explained/)

Un rate limit, qui, %C3%A8 un tetto per bucket in una finestra fissa: 600 chiamate per chiave e 1800 per organizzazione ogni minuto, con al massimo 8 richieste in volo su una chiave.

## Instradamento

### [Come funziona un router per LLM?](/it/learn/llm-routing-explained/)

Un router trasforma una richiesta che non nomina alcuna macchina nella risposta di un endpoint. Una funzione pura filtra i candidati in base a policy e residenza, valuta ci%C3%B2 che sopravvive e prende il punteggio pi%C3%B9 alto.