{"id":1360,"date":"2026-07-03T01:57:38","date_gmt":"2026-07-03T01:57:38","guid":{"rendered":"https:\/\/convly.ai\/?p=1360"},"modified":"2026-07-03T01:57:38","modified_gmt":"2026-07-03T01:57:38","slug":"ollama-models-list-2026","status":"publish","type":"post","link":"https:\/\/convly.ai\/it\/ollama-models-list-2026\/","title":{"rendered":"Elenco modelli Ollama (2026): tutti i modelli popolari, dimensioni e RAM richiesta"},"content":{"rendered":"<p>Se esegui modelli in locale, la libreria Ollama \u00e8 la fonte principale della maggior parte di essi \u2014 ma cambia costantemente e i nomi sono criptici. Questa \u00e8 una pratica <strong>lista dei modelli Ollama<\/strong> per il 2026: i modelli effettivamente utilizzati dagli utenti, la memoria necessaria per ciascuno e le loro caratteristiche principali, oltre a istruzioni su come elencare i modelli gi\u00e0 presenti sul proprio sistema ed eseguire il download di nuovi. Per impostazione predefinita, Ollama scarica una versione quantizzata a 4 bit, motivo per cui un modello da \"70B\" pu\u00f2 essere eseguito su una workstation performante e uno da \"8B\" su un laptop. Le dimensioni indicate sono approssimative e corrispondono alle configurazioni predefinite \u2014 verificare sempre la <a href=\"\/it\/models\/\">Database di modelli AI<\/a> documentazione ufficiale <code>ollama list<\/code> o eseguire il comando<\/p>\n<div class=\"convly-tldr\">\n<h3>Riferimento rapido<\/h3>\n<ul>\n<li><strong>Eseguibile su qualsiasi laptop (8 GB di RAM):<\/strong> Llama 3.2 3B, Phi-3 Mini, Gemma 3 4B \u2014 piccoli, veloci e funzionanti offline.<\/li>\n<li><strong>Migliore compromesso (16 GB):<\/strong> Llama 3.1 8B, Qwen 2.5 7B, Mistral 7B \u2014 il punto ottimale per la maggior parte degli utenti.<\/li>\n<li><strong>Alta qualit\u00e0 (32 GB o pi\u00f9 \/ GPU):<\/strong> Gemma 2 da 27B, Qwen 2.5 da 32B, Mixtral 8x7B.<\/li>\n<li><strong>Vicino allo stato dell'arte (workstation \/ 48 GB+):<\/strong> Llama 3.3 da 70B, DeepSeek-R1 da 70B.<\/li>\n<li><strong>Ragionamento:<\/strong> DeepSeek-R1 \u00e8 una versione distillata. <strong>Programmazione:<\/strong> Qwen 2.5 Coder, Code Llama. <strong>Visione:<\/strong> LLaVA. <strong>Embedding:<\/strong> nomic-embed-text.<\/li>\n<li><strong>La regola:<\/strong> scegli in base alla memoria disponibile \u2014 verifica qualsiasi modello con il nostro servizio gratuito <a href=\"\/it\/llm-vram-calculator\/\">Calcolatore di VRAM<\/a>.<\/li>\n<\/ul>\n<\/div>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_84 counter-flat ez-toc-counter ez-toc-container-direction\">\n<label for=\"ez-toc-cssicon-toggle-item-6a47778619b0f\" 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-6a47778619b0f\"  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\/ollama-models-list-2026\/#The_most_popular_Ollama_models_at_a_glance\" >I modelli Ollama pi\u00f9 popolari a colpo d'occhio<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/convly.ai\/it\/ollama-models-list-2026\/#How_to_list_the_Ollama_models_you_have_installed\" >Come elencare i modelli Ollama gi\u00e0 installati<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/convly.ai\/it\/ollama-models-list-2026\/#How_to_find_and_pull_new_models_from_the_library\" >Come cercare e scaricare nuovi modelli dalla libreria<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/convly.ai\/it\/ollama-models-list-2026\/#Small_models_%E2%80%94_run_on_almost_any_laptop\" >Modelli piccoli \u2014 eseguibili su quasi ogni laptop<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/convly.ai\/it\/ollama-models-list-2026\/#Mid-size_models_%E2%80%94_the_16_GB_sweet_spot\" >Modelli di medie dimensioni \u2014 il punto ottimale per 16 GB<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/convly.ai\/it\/ollama-models-list-2026\/#Large_models_%E2%80%94_workstation_and_GPU_territory\" >Modelli grandi \u2014 ambito workstation e GPU<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/convly.ai\/it\/ollama-models-list-2026\/#Specialised_models_coding_vision_and_embeddings\" >Modelli specializzati: programmazione, visione artificiale ed embedding<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/convly.ai\/it\/ollama-models-list-2026\/#Which_Ollama_model_should_you_actually_use\" >Quale modello Ollama dovresti effettivamente utilizzare?<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-9\" href=\"https:\/\/convly.ai\/it\/ollama-models-list-2026\/#Check_a_model_fits_before_you_download\" >Verifica che un modello sia compatibile prima di scaricarlo<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-10\" href=\"https:\/\/convly.ai\/it\/ollama-models-list-2026\/#Frequently_asked_questions\" >Domande frequenti<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-11\" href=\"https:\/\/convly.ai\/it\/ollama-models-list-2026\/#The_bottom_line\" >In sintesi<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"The_most_popular_Ollama_models_at_a_glance\"><\/span>I modelli Ollama pi\u00f9 popolari a colpo d'occhio<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Ogni modello riportato di seguito \u00e8 disponibile con un semplice comando <code>ollama pull &lt;nome&gt;<\/code>. \u00abDownload\u00bb indica approssimativamente la dimensione predefinita in formato 4-bit (Q4); \u00abMemoria minima\u00bb rappresenta la soglia pratica di RAM di sistema (CPU) o VRAM (GPU) necessaria per eseguirlo agevolmente. Il numero di parametri \u00e8 esatto; le dimensioni sono approssimative e possono variare con ogni nuova versione.<\/p>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Modello<\/th>\n<th>Parametri<\/th>\n<th>Download (Q4)<\/th>\n<th>Memoria minima<\/th>\n<th>Ideale per<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Llama 3.2<\/td>\n<td>1B \/ 3B<\/td>\n<td>~1,3 \/ 2 GB<\/td>\n<td>4\u20138 GB<\/td>\n<td>Dispositivi edge, smartphone, chat ultraleggera<\/td>\n<\/tr>\n<tr>\n<td>Llama 3.1<\/td>\n<td>8B<\/td>\n<td>~4,7 GB<\/td>\n<td>8\u201316 GB<\/td>\n<td>Miglior modello compatto per uso generico<\/td>\n<\/tr>\n<tr>\n<td>Llama 3.3<\/td>\n<td>70B<\/td>\n<td>~43 GB<\/td>\n<td>48 GB+<\/td>\n<td>Modello open source vicino allo stato dell'arte<\/td>\n<\/tr>\n<tr>\n<td>Gemma 3<\/td>\n<td>1B \/ 4B<\/td>\n<td>~0,8 \/ 3,3 GB<\/td>\n<td>4\u20138 GB<\/td>\n<td>Modello compatto ed efficiente (Google)<\/td>\n<\/tr>\n<tr>\n<td>Gemma 2<\/td>\n<td>9B \/ 27B<\/td>\n<td>~5,4 \/ 16 GB<\/td>\n<td>12\u201332 GB<\/td>\n<td>Elevata qualit\u00e0 rapportata alle dimensioni<\/td>\n<\/tr>\n<tr>\n<td>Qwen 2.5<\/td>\n<td>0,5B\u201372B<\/td>\n<td>~0,4\u201347 GB<\/td>\n<td>4 GB+<\/td>\n<td>Multilingue, ampia gamma di dimensioni<\/td>\n<\/tr>\n<tr>\n<td>Qwen 2.5 Coder<\/td>\n<td>1,5B\u201332B<\/td>\n<td>~1\u201320 GB<\/td>\n<td>8 GB o pi\u00f9<\/td>\n<td>Assistente locale per la programmazione<\/td>\n<\/tr>\n<tr>\n<td>Mistral<\/td>\n<td>7B<\/td>\n<td>~4,1 GB<\/td>\n<td>8 GB<\/td>\n<td>Classico affidabile e veloce<\/td>\n<\/tr>\n<tr>\n<td>Mistral Nemo<\/td>\n<td>12B<\/td>\n<td>~7 GB<\/td>\n<td>16 GB<\/td>\n<td>Lungo contesto da 128k token<\/td>\n<\/tr>\n<tr>\n<td>Mixtral<\/td>\n<td>8\u00d77B<\/td>\n<td>~26&nbsp;GB<\/td>\n<td>32&nbsp;GB+<\/td>\n<td>Qualit\u00e0 da modello a esperti misti (MoE)<\/td>\n<\/tr>\n<tr>\n<td>Phi-4<\/td>\n<td>14B<\/td>\n<td>~9 GB<\/td>\n<td>16 GB<\/td>\n<td>Ragionamento in un modello di piccole dimensioni<\/td>\n<\/tr>\n<tr>\n<td>Phi-3 Mini<\/td>\n<td>3,8 miliardi di parametri<\/td>\n<td>~2,3&nbsp;GB<\/td>\n<td>8 GB<\/td>\n<td>Piccolo ma capace<\/td>\n<\/tr>\n<tr>\n<td>DeepSeek-R1 (distill)<\/td>\n<td>1,5\u201370 miliardi di parametri<\/td>\n<td>~1,1\u201343&nbsp;GB<\/td>\n<td>8 GB o pi\u00f9<\/td>\n<td>Ragionamento passo dopo passo<\/td>\n<\/tr>\n<tr>\n<td>LLaVA<\/td>\n<td>7\u201334 miliardi di parametri<\/td>\n<td>~4,7\u201320&nbsp;GB<\/td>\n<td>8 GB o pi\u00f9<\/td>\n<td>Visione (comprensione delle immagini)<\/td>\n<\/tr>\n<tr>\n<td>nomic-embed-text<\/td>\n<td>\u2014<\/td>\n<td>~0,3&nbsp;GB<\/td>\n<td>2&nbsp;GB<\/td>\n<td>Embedding per RAG\/ricerca<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Vuoi confrontare questi modelli locali con i modelli cloud in termini di costo e velocit\u00e0? La <a href=\"\/it\/models\/\">Database di modelli AI<\/a> elenco modelli open e closed side by side, mentre la <a href=\"\/it\/ai-api-cost-calculator\/\">Calcolatore dei costi delle API AI<\/a> mostra quando eseguire localmente risulta pi\u00f9 conveniente che pagare per token.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"How_to_list_the_Ollama_models_you_have_installed\"><\/span>Come elencare i modelli Ollama gi\u00e0 installati<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Per visualizzare tutti i modelli gi\u00e0 presenti sul tuo computer, con le relative dimensioni e la data dell\u2019ultimo utilizzo, esegui:<\/p>\n<p><code>ollama list<\/code><\/p>\n<p>Questo comando stampa nome, tag, ID univoco e dimensione di ciascun modello. Per vedere quali modelli sono attualmente caricati in memoria, usa <code>ollama ps<\/code>; per rimuoverne uno non pi\u00f9 necessario e liberare spazio su disco, usa <code>ollama rm &lt;nome&gt;<\/code>. Questi tre comandi \u2014 <code>list<\/code>, <code>ps<\/code> e <code>rm<\/code> \u2014 sono tutto ci\u00f2 che ti serve per gestire una collezione di modelli locali.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"How_to_find_and_pull_new_models_from_the_library\"><\/span>Come cercare e scaricare nuovi modelli dalla libreria<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Il catalogo completo di Ollama \u00e8 disponibile nella sua libreria online, e scaricare qualsiasi modello richiede un solo comando:<\/p>\n<p><code>ollama pull llama3.1<\/code> &nbsp;oppure eseguilo direttamente con&nbsp; <code>ollama run llama3.1<\/code><\/p>\n<p>I nomi dei modelli usano i tag per indicare dimensioni e varianti \u2014 ad esempio <code>llama3.1:8b<\/code>, <code>gemma2:27b<\/code>, <code>qwen2.5:14b<\/code>. Se ometti il tag, Ollama scarica automaticamente una versione predefinita ragionevole (di solito la variante pi\u00f9 popolare quantizzata a 4 bit). Per una prima installazione, la nostra <a href=\"\/it\/how-to-install-ollama-2026\/\">guida passo-passo all\u2019installazione di Ollama<\/a> copre Mac, Windows e Linux.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Small_models_%E2%80%94_run_on_almost_any_laptop\"><\/span>Modelli piccoli \u2014 eseguibili su quasi ogni laptop<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>I modelli da 1 a circa 4 miliardi di parametri funzionano agevolmente su un laptop moderno con 8&nbsp;GB di RAM, senza necessit\u00e0 di GPU. <strong>Llama 3.2 3B<\/strong>, <strong>Gemma 3 4B<\/strong> e <strong>Phi-3 Mini<\/strong> sono i modelli pi\u00f9 performanti: veloci, davvero utili per riassumere testi, redigere bozze e rispondere a domande semplici, e abbastanza leggeri da poter essere tenuti caricati in memoria. Non eguaglieranno mai un modello cloud di ultima generazione, ma per compiti quotidiani privati e offline sono eccellenti \u2014 e rappresentano il punto di partenza ideale per chi si avvicina per la prima volta all\u2019intelligenza artificiale locale.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Mid-size_models_%E2%80%94_the_16_GB_sweet_spot\"><\/span>Modelli di medie dimensioni \u2014 il punto ottimale per 16 GB<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>La classe da 7B a 14B \u00e8 quella in cui la maggior parte degli utenti dovrebbe operare. <strong>Llama 3.1 8B<\/strong>, <strong>Qwen 2.5 7B<\/strong> e <strong>Mistral 7B<\/strong> offrono un notevole miglioramento della coerenza rispetto ai modelli pi\u00f9 piccoli, pur occupando comodamente al massimo 16&nbsp;GB di RAM o una GPU mainstream. <strong>Phi-4<\/strong> e <strong>Mistral Nemo<\/strong> spingono ulteriormente qualit\u00e0 e lunghezza del contesto. Se cerchi un singolo modello per uso generale, scegli tra quelli di questa riga: offrono il miglior compromesso tra capacit\u00e0 e richieste hardware.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Large_models_%E2%80%94_workstation_and_GPU_territory\"><\/span>Modelli grandi \u2014 ambito workstation e GPU<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>A partire dai 27B in su, servono hardware seri. <strong>Gemma 2 27B<\/strong> e <strong>Qwen 2.5 32B<\/strong> richiede 32&nbsp;GB o pi\u00f9; <strong>Mixtral 8x7B<\/strong> e i modelli da 70B \u2014 <strong>Llama 3.3 70B<\/strong> e il <strong>DeepSeek-R1 70B<\/strong> distill \u2014 necessitano di 48&nbsp;GB o pi\u00f9 di memoria veloce, il che in pratica significa una GPU con molta VRAM oppure un Mac Apple Silicon dotato di molta RAM. Il vantaggio \u00e8 una qualit\u00e0 che si avvicina a quella dei grandi modelli cloud, eseguita interamente sulla tua macchina. Consulta la nostra <a href=\"\/it\/best-gpus-for-ai-2026\/\">migliori GPU per l\u2019IA<\/a> guida su quali hardware riescono effettivamente ad eseguirli.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Specialised_models_coding_vision_and_embeddings\"><\/span>Modelli specializzati: programmazione, visione artificiale ed embedding<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Oltre alle conversazioni generali, Ollama ospita modelli specializzati per compiti specifici. <strong>Qwen 2.5 Coder<\/strong> e <strong>Code Llama<\/strong> \u00e8 progettato per la programmazione e si integra bene con strumenti IDE locali. <strong>LLaVA<\/strong> aggiunge la capacit\u00e0 visiva, consentendo a un modello di descrivere o ragionare su immagini. I modelli di embedding come <strong>nomic-embed-text<\/strong> e <strong>mxbai-embed-large<\/strong> non supportano alcuna funzionalit\u00e0 di chat: trasformano semplicemente il testo in vettori per la ricerca e la generazione migliorata con recupero (retrieval-augmented generation), ossia il fondamento di una configurazione RAG locale.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Which_Ollama_model_should_you_actually_use\"><\/span>Quale modello Ollama dovresti effettivamente utilizzare?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>La risposta onesta \u00e8: il pi\u00f9 grande che la tua memoria riesce a contenere nella classe di cui hai bisogno. Per un utilizzo generico, inizia con un modello da 8 miliardi di parametri (8B) e passa a modelli pi\u00f9 grandi solo se la qualit\u00e0 risultante non soddisfa le tue aspettative. Per compiti di ragionamento, prova una versione distillata di DeepSeek-R1; per la programmazione, Qwen 2.5 Coder; per l\u2019elaborazione di immagini, LLaVA. Nella nostra classifica dei migliori modelli per ogni scenario d\u2019uso, presentata in <a href=\"\/it\/best-local-llms-to-run-on-ollama-2026\/\">i migliori LLM locali da eseguire su Ollama<\/a>, confrontiamo anche Ollama stesso con le alternative disponibili in <a href=\"\/it\/ollama-vs-lm-studio-vs-vllm-vs-llama-cpp-2026\/\">Ollama vs LM Studio vs vLLM vs llama.cpp<\/a>.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Check_a_model_fits_before_you_download\"><\/span>Verifica che un modello sia compatibile prima di scaricarlo<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>L\u2019errore pi\u00f9 comune consiste nel scaricare un modello troppo grande per le capacit\u00e0 della propria macchina: in tal caso, il modello potrebbe rifiutarsi di caricare oppure funzionare in modo estremamente lento a causa dello swapping su disco. Prima di scaricarlo, valutane le dimensioni: come regola approssimativa, un modello quantizzato a 4 bit richiede poco meno di 1 GB di memoria per ogni miliardo di parametri, oltre a un certo margine di riserva per gestire il contesto. Il nostro strumento gratuito <a href=\"\/it\/llm-vram-calculator\/\">Calcolatore di VRAM<\/a> fornisce la cifra esatta di memoria necessaria per qualsiasi modello e livello di quantizzazione, mentre <a href=\"\/it\/ollama-system-requirements-2026\/\">Requisiti di sistema di Ollama<\/a> spiegano in dettaglio il compromesso tra RAM e VRAM.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Frequently_asked_questions\"><\/span>Domande frequenti<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>Come faccio a elencare i modelli installati in Ollama?<\/strong> Esegui <code>ollama list<\/code> per visualizzare tutti i modelli installati insieme alle loro dimensioni, <code>ollama ps<\/code> per verificare quale modello \u00e8 attualmente caricato e <code>ollama rm &lt;nome&gt;<\/code> per eliminarne uno.<\/p>\n<p><strong>Qual \u00e8 il miglior modello Ollama?<\/strong> Non esiste un singolo modello migliore in assoluto: la scelta dipende dalla quantit\u00e0 di memoria disponibile. Llama 3.1 8B \u00e8 il modello pi\u00f9 equilibrato per macchine dotate di 16 GB di RAM; consulta la nostra <a href=\"\/it\/best-local-llms-to-run-on-ollama-2026\/\">classifica dettagliata<\/a> per scoprire il modello ottimale per ciascun caso d\u2019uso.<\/p>\n<p><strong>Quanti modelli offre Ollama?<\/strong> Centinaia, suddivisi tra famiglie dedicate alla chat, alla programmazione, alla visione artificiale e agli embedding, con diverse dimensioni disponibili per ciascuna famiglia. La tabella sopra riporta i modelli effettivamente utilizzati dalla maggior parte degli utenti.<\/p>\n<p><strong>Di quanta RAM ho bisogno per eseguire i modelli Ollama?<\/strong> 8 GB sono sufficienti per modelli piccoli (1\u20134 miliardi di parametri), 16 GB permettono di eseguire agevolmente i modelli pi\u00f9 diffusi da 7\u20138 miliardi di parametri, mentre per modelli da 27 miliardi di parametri o superiori servono almeno 32 GB di RAM o una GPU dedicata. Verifica i requisiti di qualsiasi modello con il nostro <a href=\"\/it\/llm-vram-calculator\/\">Calcolatore di VRAM<\/a>.<\/p>\n<p><strong>Posso eseguire questi modelli offline?<\/strong> S\u00ec: una volta scaricati, tutti i modelli Ollama girano interamente sulla tua macchina, senza alcuna connessione internet \u2014 ed \u00e8 proprio questo il principale vantaggio nell\u2019uso di modelli locali.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"The_bottom_line\"><\/span>In sintesi<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>L\u2019elenco dei modelli Ollama \u00e8 lungo, ma la scelta \u00e8 semplice: determina innanzitutto la tua esigenza \u2014 chat generica, ragionamento, programmazione, visione artificiale o embedding \u2014 quindi seleziona il modello pi\u00f9 grande possibile all\u2019interno di quella categoria compatibile con la tua memoria. Inizia con un modello da 8 miliardi di parametri, usa <code>ollama list<\/code> per tenere traccia dei modelli gi\u00e0 installati e consulta sempre il nostro <a href=\"\/it\/llm-vram-calculator\/\">Calcolatore di VRAM<\/a> prima di ogni download, cos\u00ec da evitare di scaricare un modello incompatibile con le capacit\u00e0 della tua macchina. Da quel momento in poi, eseguire un\u2019intelligenza artificiale potente, locale e privata richiede soltanto un paio di comandi.<\/p>\n<p><em>I nomi, le dimensioni e la disponibilit\u00e0 dei modelli cambiano frequentemente; i dati indicati sono valori approssimativi basati sulle impostazioni predefinite aggiornate a met\u00e0 2026 \u2014 verifica sempre le informazioni pi\u00f9 recenti tramite <code>ollama list<\/code> e la libreria ufficiale prima di fare affidamento su di essi.<\/em><\/p>","protected":false},"excerpt":{"rendered":"<p>The full Ollama models list for 2026 \u2014 every popular model with parameters, download size and RAM\/VRAM needs, plus how to list and pull models.<\/p>","protected":false},"author":1,"featured_media":1361,"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":[3],"tags":[421,268,256,259,859,422,649],"class_list":["post-1360","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-llms","tag-deepseek","tag-llama-3","tag-local-llm","tag-ollama","tag-open-source-models","tag-qwen","tag-run-llm-locally"],"_links":{"self":[{"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/posts\/1360","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"}],"author":[{"embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/comments?post=1360"}],"version-history":[{"count":1,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/posts\/1360\/revisions"}],"predecessor-version":[{"id":1362,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/posts\/1360\/revisions\/1362"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/media\/1361"}],"wp:attachment":[{"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/media?parent=1360"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/categories?post=1360"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/tags?post=1360"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}