{"id":127,"date":"2026-05-18T12:37:42","date_gmt":"2026-05-18T12:37:42","guid":{"rendered":"https:\/\/convly.ai\/local-llm-ollama-setup\/"},"modified":"2026-08-01T06:48:28","modified_gmt":"2026-08-01T06:48:28","slug":"local-llm-ollama-setup","status":"publish","type":"post","link":"https:\/\/convly.ai\/it\/local-llm-ollama-setup\/","title":{"rendered":"Configurare il primo modello linguistico locale con Ollama"},"content":{"rendered":"<p>Configurare il proprio primo modello linguistico locale (LLM) con Ollama. In questa guida completa esploriamo tutto ci\u00f2 che occorre sapere su Ollama e gli LLM locali nel 2026, dai concetti fondamentali alle applicazioni pratiche e alle tendenze future.<\/p>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_85 counter-flat ez-toc-counter ez-toc-container-direction\">\n<label for=\"ez-toc-cssicon-toggle-item-6a744b7c93586\" class=\"ez-toc-cssicon-toggle-label\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Attiva\/Disattiva<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #000000;color:#000000\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewbox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #000000;color:#000000\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewbox=\"0 0 24 24\" version=\"1.2\" baseprofile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/label><input type=\"checkbox\"  id=\"ez-toc-cssicon-toggle-item-6a744b7c93586\"  aria-label=\"Attiva\/Disattiva\" \/><nav><ul class='ez-toc-list ez-toc-list-level-1' ><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/convly.ai\/it\/local-llm-ollama-setup\/#Introduction_to_Ollama_Local_Llm\" >Introduzione a Ollama e agli LLM locali<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/convly.ai\/it\/local-llm-ollama-setup\/#What_Is_Ollama_Local_Llm\" >Che cos\u2019\u00e8 Ollama e un LLM locale?<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/convly.ai\/it\/local-llm-ollama-setup\/#How_Ollama_Local_Llm_Works\" >Come funzionano Ollama e gli LLM locali<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/convly.ai\/it\/local-llm-ollama-setup\/#Key_Benefits_and_Applications\" >Principali vantaggi e applicazioni<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/convly.ai\/it\/local-llm-ollama-setup\/#Top_Tools_and_Platforms\" >Principali strumenti e piattaforme<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/convly.ai\/it\/local-llm-ollama-setup\/#Best_Practices\" >Best practice<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/convly.ai\/it\/local-llm-ollama-setup\/#Common_Challenges_and_Solutions\" >Sfide comuni e soluzioni<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/convly.ai\/it\/local-llm-ollama-setup\/#The_Future_of_Ollama_Local_Llm\" >Il futuro di Ollama e degli LLM locali<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-9\" href=\"https:\/\/convly.ai\/it\/local-llm-ollama-setup\/#How_to_Choose_the_Right_Model_Size_for_Your_Hardware\" >Come scegliere la dimensione del modello pi\u00f9 adatta al tuo hardware<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-10\" href=\"https:\/\/convly.ai\/it\/local-llm-ollama-setup\/#Related_articles\" >Articoli correlati<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"Introduction_to_Ollama_Local_Llm\"><\/span>Introduzione a Ollama e agli LLM locali<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Il campo degli LLM locali con Ollama si \u00e8 evoluto in modo straordinario negli ultimi anni. Nel 2026, comprendere questi sviluppi \u00e8 fondamentale per chiunque operi nei settori della tecnologia, del business o della ricerca. Questa guida offre una panoramica approfondita dello scenario attuale, dei concetti chiave e delle applicazioni pratiche.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"What_Is_Ollama_Local_Llm\"><\/span>Che cos\u2019\u00e8 Ollama e un LLM locale?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Nella sua essenza, Ollama e gli LLM locali rappresentano uno dei progressi pi\u00f9 importanti nei tutorial. Che siate professionisti esperti o principianti assoluti, comprendere i fondamenti \u00e8 essenziale per prendere decisioni informate e rimanere competitivi.<\/p>\n<p>L\u2019importanza crescente di Ollama e degli LLM locali rispecchia le tendenze pi\u00f9 ampie nell\u2019intelligenza artificiale e nella tecnologia. Organizzazioni di tutto il mondo stanno investendo massicciamente in questo ambito, ottenendo risultati che stanno trasformando settori quali la sanit\u00e0, la finanza, l\u2019istruzione e l\u2019intrattenimento.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"How_Ollama_Local_Llm_Works\"><\/span>Come funzionano Ollama e gli LLM locali<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Comprendere i meccanismi alla base di Ollama e degli LLM locali vi aiuta a valutare in modo pi\u00f9 efficace strumenti, framework e strategie. A grandi linee, il processo prevede raccolta dei dati, riconoscimento di schemi e ottimizzazione iterativa.<\/p>\n<p>Le fondamenta tecniche attingono a diverse discipline, tra cui matematica, informatica e conoscenze specifiche del dominio. I concetti chiave includono:<\/p>\n<ul>\n<li><strong>Elaborazione e analisi dei dati<\/strong> \u2014 fondamento di qualsiasi sistema ollama per LLM locale<\/li>\n<li><strong>Riconoscimento di schemi<\/strong> \u2014 identificare segnali significativi in dati complessi<\/li>\n<li><strong>Addestramento e ottimizzazione dei modelli<\/strong> \u2014 migliorare progressivamente le prestazioni nel tempo<\/li>\n<li><strong>Valutazione e convalida<\/strong> \u2014 garantisce affidabilit\u00e0 e accuratezza<\/li>\n<\/ul>\n<h2><span class=\"ez-toc-section\" id=\"Key_Benefits_and_Applications\"><\/span>Principali vantaggi e applicazioni<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Le applicazioni pratiche di Ollama e degli LLM locali spaziano in numerosi settori e casi d\u2019uso. Ecco le aree pi\u00f9 impattanti in cui questa tecnologia sta facendo la differenza nel 2026:<\/p>\n<h3>Applicazioni aziendali<\/h3>\n<p>Le aziende stanno sfruttando Ollama e gli LLM locali per automatizzare flussi di lavoro, ridurre i costi e migliorare il processo decisionale. Dalle startup alle aziende Fortune 500, il tasso di adozione continua ad accelerare.<\/p>\n<h3>Ricerca e sviluppo<\/h3>\n<p>Nei contesti di ricerca, Ollama e gli LLM locali consentono scoperte che in passato erano impossibili. Scienziati e ingegneri utilizzano questi strumenti per esplorare nuove ipotesi, validare teorie e individuare schemi in dataset complessi.<\/p>\n<h3>Prodotti per consumatori<\/h3>\n<p>Applicazioni quotidiane \u2014 dai motori di raccomandazione agli assistenti vocali \u2014 dipendono fortemente da ollama per LLM locale. I miglioramenti dell\u2019esperienza utente sono tangibili e misurabili.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Top_Tools_and_Platforms\"><\/span>Principali strumenti e piattaforme<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>La scelta degli strumenti giusti \u00e8 cruciale per il successo con Ollama e gli LLM locali. Di seguito trovate la nostra selezione dei migliori strumenti disponibili nel 2026:<\/p>\n<ol>\n<li><strong>Framework open source<\/strong> \u2014 soluzioni flessibili e guidate dalla comunit\u00e0<\/li>\n<li><strong>Piattaforme cloud<\/strong> \u2014 servizi gestiti che riducono il carico operativo<\/li>\n<li><strong>Strumenti specializzati<\/strong> \u2014 progettati appositamente per specifici casi d\u2019uso di ollama per LLM locale<\/li>\n<\/ol>\n<p>Ciascuna opzione presenta punti di forza specifici, e la scelta migliore dipende dalle tue esigenze particolari, dal budget disponibile e dal tuo livello di competenza.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Best_Practices\"><\/span>Best practice<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Per ottenere successo con Ollama e gli LLM locali \u00e8 necessario seguire best practice consolidate:<\/p>\n<ul>\n<li><strong>Inizia definendo obiettivi chiari<\/strong> \u2014 definire in anticipo cosa significhi successo<\/li>\n<li><strong>Investi nella qualit\u00e0 dei dati<\/strong> \u2014 la qualit\u00e0 dell\u2019output dipende dalla qualit\u00e0 dell\u2019input<\/li>\n<li><strong>Itera e migliora costantemente<\/strong> \u2014 nessuna soluzione \u00e8 perfetta al primo tentativo<\/li>\n<li><strong>Monitora e manutenzione continua<\/strong> \u2014 il monitoraggio continuo delle prestazioni \u00e8 essenziale<\/li>\n<li><strong>Tieniti aggiornato<\/strong> \u2014 il settore evolve rapidamente e le migliori pratiche di ieri potrebbero gi\u00e0 essere obsolete<\/li>\n<\/ul>\n<h2><span class=\"ez-toc-section\" id=\"Common_Challenges_and_Solutions\"><\/span>Sfide comuni e soluzioni<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Sebbene Ollama e gli LLM locali offrano benefici straordinari, gli utenti si confrontano con diverse sfide comuni. Comprendere questi ostacoli e le relative soluzioni permette di evitare errori comuni e ottenere risultati migliori.<\/p>\n<p>Problemi legati alla qualit\u00e0 dei dati, requisiti computazionali elevati, considerazioni etiche e complessit\u00e0 di integrazione sono alcune delle sfide pi\u00f9 frequentemente citate. Ciascuna di esse \u00e8 affrontata mediante strategie di mitigazione consolidate, ampiamente utilizzate da professionisti esperti.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"The_Future_of_Ollama_Local_Llm\"><\/span>Il futuro di Ollama e degli LLM locali<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Guardando al futuro, la traiettoria di Ollama e degli LLM locali punta verso implementazioni ancora pi\u00f9 potenti, accessibili e responsabili. Tra le principali tendenze da tenere d\u2019occhio figurano maggiore efficienza, migliorata interpretabilit\u00e0, quadri etici pi\u00f9 solidi e maggiore accessibilit\u00e0.<\/p>\n<p>La democratizzazione di ollama per LLM locale \u2014 ovvero rendere strumenti potenti accessibili anche a non specialisti \u2014 continua ad accelerare. Questa tendenza sta creando nuove opportunit\u00e0 di innovazione e applicazione in ogni settore.<\/p>\n<p><!--ai-enriched--><\/p>\n<h2><span class=\"ez-toc-section\" id=\"How_to_Choose_the_Right_Model_Size_for_Your_Hardware\"><\/span>Come scegliere la dimensione del modello pi\u00f9 adatta al tuo hardware<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>L\u2019errore pi\u00f9 comune tra i nuovi utenti di Ollama consiste nel scaricare un modello troppo grande per il proprio sistema. Quando un modello non entra nella memoria GPU, Ollama trasferisce silenziosamente alcuni livelli nella RAM di sistema e sulla CPU, causando un crollo della velocit\u00e0 di generazione: da decine di token al secondo a una lentezza estrema. La soluzione \u00e8 selezionare un modello adeguato alle capacit\u00e0 hardware del proprio sistema. <strong>prima di<\/strong> esegui <code>ollama pull<\/code>non dopo.<\/p>\n<p>Una regola empirica utile per la quantizzazione predefinita <strong>Q4_K_M<\/strong> \u00e8 prevedere circa <strong>0,6 GB di memoria per ogni miliardo di parametri<\/strong>, aggiungendo poi un margine di sicurezza per la finestra contestuale. Q4_K_M rappresenta il compromesso ideale: comporta tipicamente una perdita di qualit\u00e0 sui benchmark pari solo all\u20191\u20133% rispetto alla precisione completa, quindi raramente ha senso, per una prima configurazione, cercare quantizzazioni pi\u00f9 elevate. Ecco come si traduce questo calcolo nelle fasce dimensionali pi\u00f9 comuni:<\/p>\n<table class=\"convly-vs\">\n<tr>\n<td><strong>Dimensione del modello<\/strong><\/td>\n<td><strong>Memoria approssimativa (Q4_K_M)<\/strong><\/td>\n<td><strong>Hardware realistico<\/strong><\/td>\n<\/tr>\n<tr>\n<td>3B\u20138B<\/td>\n<td>~3\u20137 GB<\/td>\n<td>GPU da 8 GB oppure Mac da 16 GB<\/td>\n<\/tr>\n<tr>\n<td>13B\u201314B<\/td>\n<td>~10\u201312 GB<\/td>\n<td>GPU da 12\u201316 GB<\/td>\n<\/tr>\n<tr>\n<td>32 miliardi<\/td>\n<td>~22\u201324 GB<\/td>\n<td>GPU da 24 GB (ad es. RTX 3090) oppure Mac da 32 GB o superiore<\/td>\n<\/tr>\n<tr>\n<td>70 miliardi<\/td>\n<td>~40 GB+<\/td>\n<td>Due GPU da 24 GB, una scheda da 32 GB con quantizzazione inferiore o un Mac ad alta memoria<\/td>\n<\/tr>\n<\/table>\n<p>Due avvertenze pratiche vanno aggiunte a questa tabella. Primo, <strong>anche la lunghezza del contesto richiede memoria<\/strong>. Ollama utilizza per impostazione predefinita una finestra contestuale modesta, ma estenderla a documenti lunghi o file di codice di grandi dimensioni pu\u00f2 aggiungere autonomamente diversi gigabyte: lascia quindi un margine di sicurezza anzich\u00e9 riempire completamente la VRAM. Secondo, <strong>Apple Silicon segue regole diverse<\/strong>: la memoria unificata \u00e8 condivisa tra CPU e GPU, quindi un Mac da 32 GB o 64 GB pu\u00f2 eseguire agevolmente modelli che non entrerebbero mai in una GPU discreta dal costo equivalente, sebbene con velocit\u00e0 di generazione inferiori.<\/p>\n<p>Il nostro consiglio per il primo LLM locale \u00e8 di partire da una fascia <em>inferiore<\/em> rispetto a quella che ritieni supportabile dal tuo hardware. Scarica un modello da 8B, verifica che venga eseguito interamente sulla GPU e risponda rapidamente, quindi passa a un modello da 14B o 32B una volta compreso il comportamento del tuo sistema sotto carico. \u00c8 molto meglio eseguire un modello pi\u00f9 piccolo a velocit\u00e0 elevata piuttosto che uno pi\u00f9 grande con rallentamenti continui; inoltre, per conversazioni quotidiane, riassunti e stesura di testi, un modello da 8B ben scelto \u00e8 pi\u00f9 capace di quanto la maggior parte dei principianti si aspetti.<\/p>\n<h3>Quale modello dovrei eseguire per primo con Ollama?<\/h3>\n<p>Per la prima installazione, inizia con un modello da 8B ben supportato e quantizzato con Q4_K_M predefinito. Si adatta comodamente su una GPU da 8 GB o su un Mac da 16 GB, opera a velocit\u00e0 interattiva ed \u00e8 efficace per conversazioni quotidiane, riassunti e stesura di testi. Una volta verificato che viene eseguito interamente sulla tua GPU, puoi passare a un modello da 14B o 32B, se la memoria lo consente.<\/p>\n<h3>\u00c8 sicuro esporre Ollama alla mia rete o a Internet?<\/h3>\n<p>No, di default. Ollama si collega esclusivamente a localhost (127.0.0.1:11434) e non dispone di autenticazione integrata, chiavi API n\u00e9 meccanismi di login. Impostare <code>OLLAMA_HOST=0.0.0.0<\/code> rende l\u2019API accessibile a chiunque possa raggiungere la porta. Una scansione internet condotta a gennaio 2026 da SentinelLABS e Censys ha individuato circa 175.000 host Ollama esposti su Internet in 130 paesi \u2014 e poich\u00e9 Ollama non include alcuna autenticazione, un host esposto equivale a un accesso aperto. Se hai bisogno di accesso remoto, colloca Ollama dietro un reverse proxy con autenticazione o all\u2019interno di una rete privata come Tailscale, evitando di esporre direttamente la porta 11434.<\/p>\n<h3>Posso connettere le mie applicazioni esistenti a Ollama utilizzando l\u2019API OpenAI?<\/h3>\n<p>S\u00ec. Ollama espone un endpoint compatibile con l\u2019API OpenAI all\u2019indirizzo <code>http:\/\/localhost:11434\/v1<\/code>, inclusa la route standard <code>\/v1\/chat\/completions<\/code> . La maggior parte degli strumenti e degli SDK sviluppati per OpenAI funziona semplicemente puntando l'URL di base a quell'indirizzo e impostando il nome del modello su uno che hai scaricato. Non \u00e8 richiesta alcuna vera chiave API: puoi inserire qualsiasi stringa non vuota quando il client lo richiede.<\/p>\n<h2>Punti chiave<\/h2>\n<ul>\n<li>Ollama e gli LLM locali costituiscono un campo in rapida evoluzione, con applicazioni pratiche di grande rilevanza nel 2026<\/li>\n<li>Comprendere i fondamenti \u00e8 essenziale per prendere decisioni informate<\/li>\n<li>Sono disponibili numerosi strumenti e piattaforme, ciascuno con punti di forza distinti<\/li>\n<li>Seguire le best practice migliora in modo significativo i risultati<\/li>\n<li>Il futuro appare promettente, con innovazioni continue all\u2019orizzonte<\/li>\n<\/ul>\n<p>State sempre un passo avanti seguendo Convly AI per le ultime analisi, tutorial e approfondimenti su Ollama e gli LLM locali, nonch\u00e9 sul panorama pi\u00f9 ampio dell\u2019intelligenza artificiale.<\/p>\n<p><!--related-block--><\/p>\n<div class=\"convly-related\">\n<h2><span class=\"ez-toc-section\" id=\"Related_articles\"><\/span>Articoli correlati<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<ul>\n<li><a href=\"https:\/\/convly.ai\/it\/how-to-build-a-rag-pipeline-2026\/\">Come costruire una pipeline RAG nel 2026 (passo dopo passo)<\/a><\/li>\n<li><a href=\"https:\/\/convly.ai\/it\/90-day-ai-engineer-path\/\">Da zero a ingegnere AI: il tuo percorso di apprendimento di 90 giorni<\/a><\/li>\n<li><a href=\"https:\/\/convly.ai\/it\/build-personal-ai-assistant-python\/\">Costruire un assistente personale basato sull\u2019intelligenza artificiale in 30 minuti (tutorial Python)<\/a><\/li>\n<li><a href=\"https:\/\/convly.ai\/it\/how-to-run-llama-3-locally-on-snapdragon-8-gen-4\/\">Come eseguire Llama 3 in locale su Snapdragon 8 Gen 4 (guida passo passo, 2026)<\/a><\/li>\n<li><a href=\"https:\/\/convly.ai\/it\/ai-resume-screener-tutorial\/\">Creare uno screener per curriculum basato sull\u2019intelligenza artificiale (tutorial completo)<\/a><\/li>\n<\/ul>\n<\/div>","protected":false},"excerpt":{"rendered":"<p>Setting up your first local llm with ollama.<\/p>","protected":false},"author":0,"featured_media":2009,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[9],"tags":[231,230,229,228,227],"class_list":["post-127","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-tutorials","tag-alternative-to-ollama-for-local-llm","tag-cursor-local-llm-ollama","tag-llm-local-ollama","tag-local-llm-ollama","tag-ollama-local-llm"],"_links":{"self":[{"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/posts\/127","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/types\/post"}],"replies":[{"embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/comments?post=127"}],"version-history":[{"count":3,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/posts\/127\/revisions"}],"predecessor-version":[{"id":1168,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/posts\/127\/revisions\/1168"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/media\/2009"}],"wp:attachment":[{"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/media?parent=127"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/categories?post=127"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/tags?post=127"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}