{"id":2083,"date":"2026-08-03T02:45:07","date_gmt":"2026-08-03T02:45:07","guid":{"rendered":"https:\/\/convly.ai\/?p=2083"},"modified":"2026-08-23T03:55:13","modified_gmt":"2026-08-23T03:55:13","slug":"how-to-check-vram-2026","status":"publish","type":"post","link":"https:\/\/convly.ai\/it\/how-to-check-vram-2026\/","title":{"rendered":"Come controllare la VRAM su Windows, macOS e Linux"},"content":{"rendered":"<div class=\"convly-tldr\">\n<ul>\n<li><strong>Windows:<\/strong> stampa <strong>Ctrl+Maiusc+Esc<\/strong> \u2192 <strong>Prestazioni<\/strong> \u2192 <strong>GPU<\/strong> e leggi <em>Memoria GPU dedicata<\/em>. Su schede NVIDIA, esegui <code>nvidia-smi<\/code> in un terminale per la cifra esatta e l'utilizzo in tempo reale.<\/li>\n<li><strong>macOS:<\/strong> Menu Apple \u2192 <strong>Informazioni su questo Mac<\/strong>. Su Apple Silicon, la cifra \u00abMemory\u00bb \u00e8 la memoria unificata condivisa da CPU e GPU \u2014 non c'\u00e8 VRAM separata.<\/li>\n<li><strong>Linux:<\/strong> <code>nvidia-smi<\/code> (NVIDIA), <code>rocm-smi --showmeminfo vram<\/code> (AMD), oppure <code>glxinfo -B<\/code> su driver Mesa.<\/li>\n<li>Solo <em>dedicata<\/em> la VRAM determina quale modello si adatta. Inserisci il tuo numero nel <a href=\"https:\/\/convly.ai\/it\/llm-vram-calculator\/\">Calcolatore VRAM<\/a> per vedere cosa puoi eseguire.<\/li>\n<\/ul>\n<\/div>\n<p>Come controllare la VRAM, in una riga per piattaforma: su Windows, premi <strong>Ctrl+Maiusc+Esc<\/strong>, apri la scheda <strong>Prestazioni<\/strong> , seleziona la tua GPU e leggi <em>Memoria GPU dedicata<\/em>; su macOS, apri Menu Apple \u2192 <strong>Informazioni su questo Mac<\/strong>; su Linux, esegui <code>nvidia-smi<\/code> per NVIDIA o <code>rocm-smi<\/code> for AMD. Below is each method in detail \u2014 plus what the numbers actually mean when you are deciding whether a local LLM will fit.<\/p>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_88 counter-flat ez-toc-counter ez-toc-container-direction\">\n<label for=\"ez-toc-cssicon-toggle-item-6ae78b3296a6c\" 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-6ae78b3296a6c\"  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\/how-to-check-vram-2026\/#How_to_Check_VRAM_on_Windows\" >Come controllare la VRAM su Windows<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/convly.ai\/it\/how-to-check-vram-2026\/#How_to_Check_VRAM_on_macOS\" >Come controllare la VRAM su macOS<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/convly.ai\/it\/how-to-check-vram-2026\/#How_to_Check_VRAM_on_Linux\" >Come controllare la VRAM su Linux<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/convly.ai\/it\/how-to-check-vram-2026\/#Total_vs_Free_vs_Shared_What_the_Numbers_Mean\" >Totale vs. Libera vs. Condivisa: cosa significano i numeri<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/convly.ai\/it\/how-to-check-vram-2026\/#How_Much_VRAM_Do_You_Actually_Need\" >Quanta VRAM ti serve veramente?<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/convly.ai\/it\/how-to-check-vram-2026\/#Frequently_Asked_Questions\" >Domande frequenti<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"How_to_Check_VRAM_on_Windows\"><\/span>Come controllare la VRAM su Windows<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<h3>Gestione attivit\u00e0 \u2014 il metodo pi\u00f9 veloce<\/h3>\n<ol>\n<li>Stampa <strong>Ctrl+Maiusc+Esc<\/strong> per aprire Gestione attivit\u00e0.<\/li>\n<li>Vai alla scheda <strong>Prestazioni<\/strong> (su Windows 10, fai clic su <em>Altri dettagli<\/em> prima se vedi la visualizzazione compatta).<\/li>\n<li>Fai clic <strong>GPU 0<\/strong> nella barra laterale sinistra. I laptop con una GPU integrata e una dedicata mostreranno anche <strong>GPU 1<\/strong> \u2014 la scheda dedicata \u00e8 generalmente GPU 1.<\/li>\n<li>Leggi <strong>Memoria GPU dedicata<\/strong> nell'area in basso a destra. Questa \u00e8 la tua VRAM fisica, mostrata come utilizzata \/ totale (ad esempio, 2,1\/24,0 GB).<\/li>\n<\/ol>\n<p>Ignora la riga <em>GPU Memory<\/em> : aggiunge <em>memoria GPU condivisa<\/em> (RAM di sistema che la GPU pu\u00f2 prendere in prestito) alla cifra dedicata, il che rende una scheda da 8 GB simile a una da 24 GB. Pi\u00f9 informazioni su questa distinzione di seguito.<\/p>\n<h3>dxdiag<\/h3>\n<p>Stampa <strong>Win+R<\/strong>, digita <code>dxdiag<\/code>, premi Invio, quindi apri la scheda <strong>Visualizzazione<\/strong> . Il campo <em>Display Memory (VRAM)<\/em> mostra cosa riporta DirectX. Un avvertenza: a seconda del driver, dxdiag a volte incorpora la memoria di sistema condivisa in questo numero, quindi pu\u00f2 essere superiore alla VRAM reale della scheda. Considera la cifra dedicata di Gestione attivit\u00e0 o <code>nvidia-smi<\/code> come fonte di verit\u00e0.<\/p>\n<h3>Impostazioni \u2192 Schermo \u2192 Visualizzazione avanzata<\/h3>\n<p>Apri <strong>Impostazioni \u2192 Sistema \u2192 Schermo \u2192 Visualizzazione avanzata<\/strong>, quindi fai clic su <strong>Propriet\u00e0 adattatore video per schermo 1<\/strong>. La scheda Adattatore elenca <em>Memoria video dedicata<\/em> in MB. La formulazione esatta differisce leggermente tra Windows 10 e Windows 11, ma il percorso \u00e8 lo stesso.<\/p>\n<h3>nvidia-smi \u2014 la cifra esatta<\/h3>\n<p>Se hai una GPU NVIDIA, il driver installa uno strumento a riga di comando che riporta la memoria al mebibyte. Apri PowerShell o Prompt dei comandi ed esegui:<\/p>\n<pre><code>nvidia-smi<\/code><\/pre>\n<p>La colonna della memoria mostra l'utilizzo corrente rispetto al totale reale \u2014 ad esempio <code>3216MiB \/ 24564MiB<\/code> su RTX 4090 \u2014 e l'elenco dei processi in basso mostra quali programmi contengono memoria. Per un output pulito e leggibile dalla macchina:<\/p>\n<pre><code>nvidia-smi --query-gpu=memory.total,memory.used,memory.free --format=csv<\/code><\/pre>\n<p>Se il comando non viene trovato, i driver recenti lo posizionano in <code>C:WindowsSystem32nvidia-smi.exe<\/code>; le versioni di driver precedenti utilizzavano <code>C:Program FilesNVIDIA CorporationNVSMI<\/code>.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"How_to_Check_VRAM_on_macOS\"><\/span>Come controllare la VRAM su macOS<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Fai clic sul menu Apple \u2192 <strong>Informazioni su questo Mac<\/strong>.<\/p>\n<ul>\n<li><strong>Apple Silicon (M1 e successivi):<\/strong> vedrai un nome del chip e una cifra <em>Memoria<\/em> come 16 GB, 36 GB o 128 GB. Questa \u00e8 <strong>memoria unificata<\/strong> \u2014 un unico pool condiviso da CPU e GPU. Non esiste un numero di VRAM separato perch\u00e9 non esiste VRAM separata.<\/li>\n<li><strong>Mac Intel:<\/strong> le GPU discrete sono elencate con una cifra di VRAM dedicata, ad esempio \u00abRadeon Pro 5500M 8 GB\u00bb.<\/li>\n<\/ul>\n<p>Per ulteriori dettagli, apri <strong>Informazioni su questo Mac \u2192 Altre informazioni \u2192 Rapporto di sistema<\/strong> e seleziona <strong>Grafica\/Display<\/strong>, oppure esegui questo in Terminal:<\/p>\n<pre><code>system_profiler SPDisplaysDataType<\/code><\/pre>\n<p>Su macchine Intel questo stampa una riga <code>VRAM (Total)<\/code> ; su Apple Silicon elenca invece il chip e il numero di core GPU.<\/p>\n<h3>Perch\u00e9 la memoria unificata cambia i calcoli<\/h3>\n<p>Su Apple Silicon la GPU pu\u00f2 accedere alla maggior parte \u2014 ma non tutta \u2014 della memoria di sistema. macOS si riserva una porzione, e per impostazione predefinita il limite di working-set della GPU si attesta su circa due terzi o tre quarti della RAM totale; il massimale esatto varia in base alla quantit\u00e0 di RAM e alla versione di macOS. In pratica, un MacBook Pro da 36 GB pu\u00f2 caricare modelli che richiederebbero una GPU discreta da 24 GB su un PC. Gli strumenti Local-LLM ti mostrano il limite utilizzabile direttamente \u2014 consulta la <a href=\"https:\/\/convly.ai\/it\/lm-studio-complete-guide-2026\/\">guida LM Studio<\/a> e il <a href=\"https:\/\/convly.ai\/it\/what-is-ollama-complete-guide-2026\/\">guida Ollama<\/a> per vedere come ciascuno lo riporta. Il compromesso \u00e8 la larghezza di banda della memoria, che varia ampiamente tra i chip base, Pro, Max e Ultra e incide direttamente sui token al secondo.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"How_to_Check_VRAM_on_Linux\"><\/span>Come controllare la VRAM su Linux<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<h3>NVIDIA: nvidia-smi<\/h3>\n<p>Installato con il driver proprietario. Esegui <code>nvidia-smi<\/code> per un'istantanea, oppure aggiorna ogni secondo mentre un modello si carica:<\/p>\n<pre><code>nvidia-smi -l 1<\/code><\/pre>\n<h3>AMD: rocm-smi o sysfs<\/h3>\n<p>Con lo stack ROCm installato:<\/p>\n<pre><code>rocm-smi --showmeminfo vram<\/code><\/pre>\n<p>Senza ROCm, il driver del kernel <code>amdgpu<\/code> espone il totale direttamente (in byte; la tua scheda potrebbe essere <code>card1<\/code> \u2014 verifica <code>ls \/sys\/class\/drm\/<\/code>):<\/p>\n<pre><code>cat \/sys\/class\/drm\/card0\/device\/mem_info_vram_total<\/code><\/pre>\n<h3>Qualsiasi GPU: glxinfo<\/h3>\n<p>Installa <code>mesa-utils<\/code> (Debian\/Ubuntu) oppure <code>glx-utils<\/code> (Fedora), poi:<\/p>\n<pre><code>glxinfo -B | grep -i memory<\/code><\/pre>\n<p>I driver Mesa stampano una riga come <code>Video memory: 8192MB<\/code>; l'etichetta esatta varia a seconda del driver.<\/p>\n<h3>lspci \u2014 identifica la scheda, non la VRAM<\/h3>\n<pre><code>lspci | grep -iE 'vga|3d'<\/code><\/pre>\n<p><code>sudo lspci -v -s <\/code> mostra quindi gli aperture di memoria della scheda, ma fai attenzione: si tratta di dimensioni PCI BAR, che corrispondono alla VRAM totale solo quando Resizable BAR \u00e8 abilitato. Usa <code>lspci<\/code> per identificare il modello GPU esatto, quindi ricava la cifra della memoria dagli strumenti sopra o dal foglio delle specifiche della scheda.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Total_vs_Free_vs_Shared_What_the_Numbers_Mean\"><\/span>Totale vs. Libera vs. Condivisa: cosa significano i numeri<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<table>\n<thead>\n<tr>\n<th>Numero<\/th>\n<th>Dove lo vedi<\/th>\n<th>Cosa significa per gli LLM<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>VRAM dedicata (totale)<\/td>\n<td>Task Manager \u00abDedicated GPU memory\u00bb; <code>nvidia-smi<\/code> totale<\/td>\n<td>Memoria fisica sulla scheda. Questo \u00e8 il budget fisso per i pesi del modello.<\/td>\n<\/tr>\n<tr>\n<td>VRAM libera<\/td>\n<td><code>nvidia-smi<\/code> <code>memory.free<\/code><\/td>\n<td>Ci\u00f2 che \u00e8 disponibile proprio ora. Il desktop, le schede del browser e altre app in genere occupano 0,5\u20132 GB.<\/td>\n<\/tr>\n<tr>\n<td>memoria GPU condivisa<\/td>\n<td>Task Manager \u00abShared GPU memory\u00bb<\/td>\n<td>RAM di sistema (fino a circa met\u00e0) in cui la GPU pu\u00f2 riversarsi tramite PCIe. Molto pi\u00f9 lenta di VRAM \u2014 non contarla quando dimensioni un modello.<\/td>\n<\/tr>\n<tr>\n<td>Memoria unificata (Apple Silicon)<\/td>\n<td>Su questo Mac \u00abMemoria\u00bb<\/td>\n<td>Un pool unico CPU+GPU. La GPU pu\u00f2 usarne la maggior parte, quindi si comporta come un ampio pool VRAM con larghezza di banda dipendente dal chip.<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Quando carichi un modello, ci\u00f2 che conta \u00e8 la <em>VRAM libera<\/em> , non il totale. Una scheda da 12 GB con 1,5 GB gi\u00e0 consumati dal compositor e da un browser ha circa 10,5 GB con cui lavorare \u2014 abbastanza da far fallire il caricamento di un modello che \u00abdovrebbe starvi\u00bb. Su NVIDIA, l'elenco per-processo in fondo all'output di <code>nvidia-smi<\/code> ti dice esattamente cosa chiudere.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"How_Much_VRAM_Do_You_Actually_Need\"><\/span>Quanta VRAM ti serve veramente?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>La domanda dietro la domanda. A quantizzazione a 4-bit \u2014 lo standard per l'inferenza locale \u2014 i pesi del modello occupano approssimativamente 0,5\u20130,6 GB per miliardo di parametri, pi\u00f9 una KV cache che cresce con la lunghezza del contesto. Guida approssimativa:<\/p>\n<table>\n<thead>\n<tr>\n<th>Dimensione del modello<\/th>\n<th>Pesi a 4-bit (approx.)<\/th>\n<th>VRAM per eseguire comodamente<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>7\u20138B<\/td>\n<td>4\u20135 GB<\/td>\n<td>6\u20138 GB<\/td>\n<\/tr>\n<tr>\n<td>12\u201314B<\/td>\n<td>7\u20139 GB<\/td>\n<td>10\u201312 GB<\/td>\n<\/tr>\n<tr>\n<td>24\u201332B<\/td>\n<td>13\u201319 GB<\/td>\n<td>16\u201324 GB<\/td>\n<\/tr>\n<tr>\n<td>70B<\/td>\n<td>36\u201342 GB<\/td>\n<td>48 GB, oppure distribuiti su due GPU<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>La colonna \u00abcomfortable\u00bb presuppone un contesto moderato (4k\u20138k token); contesti molto lunghi aggiungono diversi gigabyte di KV cache in pi\u00f9. Per i dati specifici di ogni modello, consulta la <a href=\"https:\/\/convly.ai\/it\/vram-requirements-every-major-llm-2026\/\">tabella dei requisiti VRAM per ogni LLM importante<\/a> oppure sfoglia il <a href=\"https:\/\/convly.ai\/it\/models\/\">database di modelli<\/a>. Per la tua combinazione esatta di modello, quantizzazione e lunghezza del contesto, utilizza il <a href=\"https:\/\/convly.ai\/it\/llm-vram-calculator\/\">Calcolatore VRAM<\/a>. Se la tua scheda risulta insufficiente, la <a href=\"https:\/\/convly.ai\/it\/best-gpus-for-local-llms-2026\/\">migliori GPU per LLM locali<\/a> guida classifica le opzioni di upgrade per VRAM per dollaro \u2014 e se una nuova GPU non conviene economicamente, il <a href=\"https:\/\/convly.ai\/it\/self-hosting-vs-api-calculator\/\">calcolatore di break-even tra self-hosting e API<\/a> mostra quando pagare per token \u00e8 pi\u00f9 economico.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Frequently_Asked_Questions\"><\/span>Domande frequenti<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<h3>Posso aumentare la VRAM della mia scheda grafica?<\/h3>\n<p>No, sulle GPU discrete \u2014 i chip di memoria sono saldati direttamente sulla scheda, quindi l\u2019unico modo per aggiornare la VRAM \u00e8 sostituire l\u2019intera scheda. Le GPU integrate fanno eccezione: alcune configurazioni BIOS\/UEFI consentono di modificare l\u2019allocazione della RAM (spesso indicata come \u00abUMA Frame Buffer Size\u00bb o simile). La memoria GPU condivisa di Windows non costituisce VRAM aggiuntiva e non influenza la quantit\u00e0 di dati che possono essere elaborati alla massima velocit\u00e0.<\/p>\n<h3>Perch\u00e9 Windows riporta pi\u00f9 memoria GPU di quanta ne abbia effettivamente la mia scheda?<\/h3>\n<p>La voce \u00abMemoria GPU\u00bb nel Task Manager indica la VRAM dedicata pi\u00f9 la memoria di sistema condivisa; anche dxdiag pu\u00f2 sovrastimare tale valore nello stesso modo. La VRAM fisica corrisponde invece al valore indicato come \u00abMemoria GPU dedicata\u00bb, oppure al totale visualizzato dal comando <code>nvidia-smi<\/code> . Una scheda da 8 GB su un PC con 32 GB di RAM mostrer\u00e0 spesso 24 GB di \u00abMemoria GPU\u00bb \u2014 ma solo 8 GB di questi sono veramente VRAM.<\/p>\n<h3>La memoria GPU condivisa aiuta a eseguire modelli LLM pi\u00f9 grandi?<\/h3>\n<p>Non in modo significativo. Ambienti di esecuzione come llama.cpp e Ollama possono deliberatamente scaricare strati del modello nella RAM di sistema, permettendo cos\u00ec l\u2019esecuzione di modelli troppo grandi \u2014 ma la velocit\u00e0 di generazione scende tipicamente da decine di token al secondo a pochi token al secondo. Dimensiona sempre il modello in base alla VRAM dedicata disponibile e considera lo scaricamento nella RAM come soluzione di emergenza, non come strategia principale.<\/p>\n<h3>Quanta VRAM serve per un modello da 7B o 8B?<\/h3>\n<p>Circa 4\u20135 GB per i pesi a 4 bit, quindi una scheda da 6\u20138 GB consente di eseguirne uno comodamente, lasciando spazio per il contesto. Una GPU da 8 GB gestisce bene i modelli da 7\u20138 miliardi; con 12 GB si possono affrontare modelli da 12\u201314 miliardi. La <a href=\"https:\/\/convly.ai\/it\/best-local-llms-to-run-on-ollama-2026\/\">migliori modelli locali per Ollama<\/a> associa i modelli pi\u00f9 diffusi alle fasce di VRAM richieste.<\/p>\n<h3>La memoria unificata su Mac equivale alla VRAM?<\/h3>\n<p>Per l\u2019esecuzione di LLM, s\u00ec, in pratica: la GPU accede a un unico pool di memoria, limitato dal sistema a circa due terzi o tre quarti della RAM totale. Ci\u00f2 significa che un Mac da 32 GB pu\u00f2 eseguire modelli che una GPU da 12 GB su PC non riuscirebbe a gestire. La differenza emerge nella larghezza di banda della memoria, che varia di diversi ordini di grandezza tra le versioni base e Max\/Ultra dei chip, determinando il limite massimo di token al secondo.<\/p>\n<h3>Come monitoro l\u2019utilizzo della VRAM mentre un modello \u00e8 in esecuzione?<\/h3>\n<p>Su NVIDIA (su qualsiasi sistema operativo), esegui <code>nvidia-smi -l 1<\/code> per un aggiornamento ogni secondo. Su Windows, il pannello GPU del Task Manager si aggiorna in tempo reale. Su AMD Linux, usa <code>watch -n 1 rocm-smi --showmeminfo vram<\/code>; su Mac, i pesi del modello compaiono come memoria di processo ordinaria nella scheda \u00abMemoria\u00bb di Activity Monitor, dato che il pool \u00e8 unificato.<\/p>","protected":false},"excerpt":{"rendered":"<p>Windows: press Ctrl+Shift+Esc \u2192 Performance \u2192 GPU and read Dedicated GPU memory.<\/p>","protected":false},"author":1,"featured_media":2084,"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":[],"class_list":["post-2083","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-tutorials"],"_links":{"self":[{"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/posts\/2083","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=2083"}],"version-history":[{"count":2,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/posts\/2083\/revisions"}],"predecessor-version":[{"id":2298,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/posts\/2083\/revisions\/2298"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/media\/2084"}],"wp:attachment":[{"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/media?parent=2083"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/categories?post=2083"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/tags?post=2083"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}