{"id":2235,"date":"2026-08-18T20:04:34","date_gmt":"2026-08-18T20:04:34","guid":{"rendered":"https:\/\/convly.ai\/?p=2235"},"modified":"2026-08-23T03:54:48","modified_gmt":"2026-08-23T03:54:48","slug":"ollama-gpt-oss-guide","status":"publish","type":"post","link":"https:\/\/convly.ai\/it\/ollama-gpt-oss-guide\/","title":{"rendered":"Ollama GPT OSS: Guida completa all'esecuzione dei modelli aperti di OpenAI"},"content":{"rendered":"<div class=\"convly-tldr\"><strong>In breve<\/strong><\/p>\n<ul>\n<li><strong>gpt-oss:20b<\/strong> richiede circa 16 GB di memoria (compatibile con la maggior parte delle GPU per gaming), <strong>gpt-oss:120b<\/strong> richiede circa 70 GB (una singola GPU da 80 GB o suddivisione su schede consumer)<\/li>\n<li>Installa con <code>ollama pull gpt-oss:20b<\/code> o <code>ollama pull gpt-oss:120b<\/code>, quindi eseguilo con <code>ollama run gpt-oss:20b<\/code><\/li>\n<li>Entrambe le versioni utilizzano la quantizzazione MXFP4 a 4,25 bit per parametro e supportano finestre di contesto fino a 128K token<\/li>\n<li>Rilasciati da OpenAI come modelli open-weight in collaborazione con Ollama, sono paragonabili per qualit\u00e0 a Llama 3.1 e Qwen 2.5<\/li>\n<\/ul>\n<\/div>\n<p>OpenAI ha rilasciato gpt-oss come modelli open-weight nell\u2019agosto 2025, distribuiti esclusivamente tramite Ollama. La famiglia gpt-oss comprende due varianti: un modello da 20 miliardi di parametri, eseguibile agevolmente su hardware consumer, e un modello da 120 miliardi di parametri che offre prestazioni prossime al top di gamma su una singola GPU high-end. Entrambi impiegano la quantizzazione MXFP4, comprimendo i pesi del modello a 4,25 bit per parametro pur mantenendo una qualit\u00e0 vicina a quella dell\u2019inferenza in precisione piena.<\/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-6abaab6f1aa01\" 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-6abaab6f1aa01\"  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-gpt-oss-guide\/#What_Are_the_GPT-OSS_Models\" >Che cosa sono i modelli GPT-OSS?<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/convly.ai\/it\/ollama-gpt-oss-guide\/#Hardware_Requirements\" >Requisiti hardware<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/convly.ai\/it\/ollama-gpt-oss-guide\/#Installation\" >Installazione<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/convly.ai\/it\/ollama-gpt-oss-guide\/#Pulling_and_Running_the_Models\" >Download ed esecuzione dei modelli<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/convly.ai\/it\/ollama-gpt-oss-guide\/#Performance_and_Model_Comparison\" >Prestazioni e confronto tra modelli<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/convly.ai\/it\/ollama-gpt-oss-guide\/#MXFP4_Quantisation\" >Quantizzazione MXFP4<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/convly.ai\/it\/ollama-gpt-oss-guide\/#Context_Window_and_Memory_Usage\" >Finestra di contesto e utilizzo della memoria<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/convly.ai\/it\/ollama-gpt-oss-guide\/#Frequently_Asked_Questions\" >Domande frequenti<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"What_Are_the_GPT-OSS_Models\"><\/span>Che cosa sono i modelli GPT-OSS?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>I modelli gpt-oss rappresentano il primo rilascio open-weight di OpenAI, frutto della crescente pressione del settore verso trasparenza e riproducibilit\u00e0. A differenza di GPT-4 o GPT-4o, questi modelli includono tutti i pesi, i dettagli architetturali e licenze permissive che ne consentono l\u2019uso commerciale senza restrizioni.<\/p>\n<p>Both models support a 128K token context window, handle multi-turn conversations, and perform instruction following comparable to other open models in their parameter class. The 20B variant competes directly with Llama 3.1 8B and Mistral 7B, while the 120B model sits between Llama 3.1 70B and full frontier systems like GPT-4.<\/p>\n<p>OpenAI ha collaborato con Ollama per la distribuzione e l\u2019ottimizzazione dell\u2019inferenza. Ci\u00f2 significa che puoi installare ed eseguire gpt-oss nello stesso modo in cui fai con qualsiasi altro <a href=\"https:\/\/convly.ai\/it\/what-is-ollama-complete-guide-2026\/\">modello Ollama<\/a>, senza dover eseguire passaggi aggiuntivi di conversione o quantizzazione.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Hardware_Requirements\"><\/span>Requisiti hardware<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>La tabella seguente mostra l\u2019hardware minimo e consigliato per ciascuna variante gpt-oss. I valori di memoria tengono conto sia dei pesi del modello sia di un ragionevole overhead per contesto e buffer di inferenza.<\/p>\n<table>\n<thead>\n<tr>\n<th>Modello<\/th>\n<th>Parametri<\/th>\n<th>Dimensione su disco<\/th>\n<th>Memoria minima<\/th>\n<th>Memoria consigliata<\/th>\n<th>Esempio di hardware<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>gpt-oss:20b<\/td>\n<td>20B<\/td>\n<td>14 GB<\/td>\n<td>16 GB<\/td>\n<td>24 GB<\/td>\n<td>RTX 4090, RTX 3090, A5000<\/td>\n<\/tr>\n<tr>\n<td>gpt-oss:120b<\/td>\n<td>120B<\/td>\n<td>65 GB<\/td>\n<td>70 GB<\/td>\n<td>80 GB<\/td>\n<td>A100 80 GB, H100, 2\u00d7 RTX 4090<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Il modello da 20 miliardi di parametri \u00e8 compatibile con facilit\u00e0 su GPU consumer rilasciate dal 2020 in poi. Se disponi di una RTX 3090 o 4090 con 24 GB di VRAM, puoi eseguire gpt-oss:20b lasciando spazio sufficiente per una finestra di contesto fino a 16K token. Con 16 GB di VRAM (ad esempio RTX 4080 o RTX 3080 Ti) puoi comunque eseguire il modello, ma dovrai limitare la lunghezza del contesto a 8K token per evitare overflow di memoria.<\/p>\n<p>Il modello da 120 miliardi di parametri richiede hardware datacenter oppure una configurazione multi-GPU consumer. Una A100 da 80 GB lo gestisce agevolmente. Due RTX 4090 in un sistema desktop possono suddividere il modello tra le due schede, anche se la velocit\u00e0 di inferenza risulta leggermente ridotta rispetto a una configurazione monoscheda. Usa il <a href=\"https:\/\/convly.ai\/it\/llm-vram-calculator\/\">Calcolatore VRAM<\/a> per stimare i requisiti di memoria per diverse lunghezze di contesto.<\/p>\n<h3>CPU e RAM di sistema<\/h3>\n<p>Se non disponi di VRAM sufficiente, Ollama scaricher\u00e0 alcuni layer nella RAM di sistema ed eseguir\u00e0 l\u2019inferenza sulla CPU. Per gpt-oss:20b hai bisogno di almeno 32 GB di RAM di sistema se esegui tutto sulla CPU. Per gpt-oss:120b, l\u2019inferenza su CPU \u00e8 impraticabile: anche su sistemi con molti core, ti aspettano diversi secondi per token. Consulta la <a href=\"https:\/\/convly.ai\/it\/best-gpus-for-local-llms-2026\/\">guida alle migliori GPU per LLM locali<\/a> se stai costruendo o aggiornando l\u2019hardware specificamente per l\u2019inferenza di modelli.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Installation\"><\/span>Installazione<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Per prima cosa, installa Ollama se non l\u2019hai gi\u00e0 fatto. Il processo varia a seconda della piattaforma:<\/p>\n<h3>macOS<\/h3>\n<p>Scarica l\u2019app macOS di Ollama da <code>ollama.com<\/code> e trascinala in <code>\/Applications<\/code>. L\u2019installer configura automaticamente la CLI di <code>ollama<\/code> . In alternativa, installa tramite Homebrew:<\/p>\n<pre><code>eseguite brew install ollama<\/code><\/pre>\n<h3>Linux<\/h3>\n<p>Esegui lo script ufficiale di installazione, che posiziona il binario in <code>\/usr\/local\/bin\/ollama<\/code> e configura un servizio systemd:<\/p>\n<pre><code>curl -fsSL https:\/\/ollama.com\/install.sh | sh<\/code><\/pre>\n<p>Per installazioni manuali o istruzioni specifiche per la tua distribuzione, consulta la <a href=\"https:\/\/convly.ai\/it\/how-to-install-ollama-2026\/\">Guida all'installazione di Ollama<\/a>.<\/p>\n<h3>Windows<\/h3>\n<p>Scarica l'installer per Windows da <code>ollama.com<\/code> ed eseguilo. L\u2019installer aggiunge Ollama al tuo PATH e avvia automaticamente il servizio in background. Dopo l\u2019installazione, apri PowerShell o Prompt dei comandi per verificare:<\/p>\n<pre><code>ollama --version<\/code><\/pre>\n<h2><span class=\"ez-toc-section\" id=\"Pulling_and_Running_the_Models\"><\/span>Download ed esecuzione dei modelli<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Una volta installato Ollama, scarica il modello desiderato. Per la variante da 20 miliardi di parametri:<\/p>\n<pre><code>ollama pull gpt-oss:20b<\/code><\/pre>\n<p>Per la variante da 120 miliardi di parametri:<\/p>\n<pre><code>ollama pull gpt-oss:120b<\/code><\/pre>\n<p>Il download dei pesi del modello avviene in <code>~\/.ollama\/models<\/code> su macOS e Linux, oppure in <code>%USERPROFILE%.ollamamodels<\/code> su Windows. Il download \u00e8 interrompibile e riprendibile, quindi puoi sospendere e riavviare senza perdere progressi.<\/p>\n<p>Dopo aver scaricato il modello, avvia una sessione interattiva:<\/p>\n<pre><code>ollama run gpt-oss:20b<\/code><\/pre>\n<p>Oppure, per il modello pi\u00f9 grande:<\/p>\n<pre><code>ollama run gpt-oss:120b<\/code><\/pre>\n<p>Questo apre un\u2019interfaccia chat. Digita il tuo prompt, premi Invio e il modello restituisce la risposta in streaming. Digita <code>\/bye<\/code> per uscire.<\/p>\n<h3>Accesso all'API<\/h3>\n<p>Ollama esegue un server HTTP locale all'indirizzo <code>http:\/\/localhost:11434<\/code>. \u00c8 possibile inviare richieste tramite curl, Python o qualsiasi client HTTP:<\/p>\n<pre><code>curl http:\/\/localhost:11434\/api\/generate -d '{\n  \"model\": \"gpt-oss:20b\",\n  \"prompt\": \"Spiega la quantizzazione MXFP4 in una frase.\"\n}'<\/code><\/pre>\n<p>Per applicazioni strutturate, utilizza l\u2019SDK Python o JavaScript di Ollama. Entrambi sono disponibili tramite i normali gestori di pacchetti (<code>pip install ollama<\/code>, <code>npm install ollama<\/code>) e forniscono interfacce tipizzate per la generazione, l\u2019embedding e la gestione dei modelli.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Performance_and_Model_Comparison\"><\/span>Prestazioni e confronto tra modelli<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Il modello da 20 miliardi di parametri genera da 15 a 30 token al secondo su una RTX 4090, a seconda della lunghezza del contesto e della complessit\u00e0 del prompt. Il modello da 120 miliardi di parametri genera da 8 a 15 token al secondo su una A100 da 80 GB. Entrambe le cifre presuppongono le impostazioni predefinite, senza ulteriori ottimizzazioni come la decodifica speculativa.<\/p>\n<p>Dal punto di vista qualitativo, gpt-oss:20b offre prestazioni paragonabili a quelle di Llama 3.1 8B e Mistral 7B sui benchmark di ragionamento come MMLU e GSM8K. Supera entrambi nei compiti di esecuzione di istruzioni su pi\u00f9 turni, probabilmente grazie al fine-tuning basato sul rinforzo con feedback umano (RLHF) effettuato da OpenAI. La variante da 120 miliardi di parametri si avvicina alla qualit\u00e0 di GPT-3.5 Turbo, rendendola il modello open source pi\u00f9 performante sotto i 200 miliardi di parametri al momento di agosto 2026.<\/p>\n<p>Rispetto ai modelli proprietari basati su API, l\u2019esecuzione locale di gpt-oss diventa conveniente a partire da circa 2 milioni di token al mese per il modello da 20 miliardi di parametri, oppure da 500.000 token al mese per il modello da 120 miliardi di parametri, supponendo che tu possieda gi\u00e0 l\u2019hardware necessario. Usa il <a href=\"https:\/\/convly.ai\/it\/self-hosting-vs-api-calculator\/\">calcolatore self-hosting vs API<\/a> per stimare il tuo punto di pareggio in base al volume di token e ai costi hardware.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"MXFP4_Quantisation\"><\/span>Quantizzazione MXFP4<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Entrambi i modelli gpt-oss includono integrata la quantizzazione MXFP4. MXFP4 \u00e8 un formato floating-point a microscala che rappresenta i pesi con una media di 4,25 bit per parametro, rispetto ai 16 bit della precisione half-standard. A differenza di schemi di quantizzazione pi\u00f9 vecchi come GPTQ o AWQ, MXFP4 preserva un maggior range dinamico, riducendo la perdita di accuratezza tipicamente associata a compressioni aggressive.<\/p>\n<p>Nella pratica, i modelli quantizzati in MXFP4 si comportano quasi identicamente alle loro controparti a piena precisione nella maggior parte dei compiti. La quantizzazione avviene durante l\u2019addestramento, non successivamente, consentendo cos\u00ec al modello di adattarsi alla minore precisione. Questo approccio riduce i requisiti di VRAM di circa il 75% rispetto all\u2019FP16, rendendo fattibile l\u2019esecuzione di modelli da 120 miliardi di parametri su una singola GPU consumer.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Context_Window_and_Memory_Usage\"><\/span>Finestra di contesto e utilizzo della memoria<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Entrambe le varianti di gpt-oss supportano una finestra di contesto di 128K token, equivalente a circa 100.000 parole di testo inglese. Tuttavia, sfruttare effettivamente l\u2019intera finestra di contesto richiede una quantit\u00e0 significativa di memoria aggiuntiva oltre ai pesi base del modello.<\/p>\n<p>Per gpt-oss:20b, una finestra di contesto da 128K token aggiunge circa 8 GB di overhead di memoria. Con 24 GB di VRAM \u00e8 possibile utilizzare comodamente l\u2019intera finestra; con 16 GB, invece, \u00e8 consigliabile limitare il contesto a 32K\u201348K token per evitare esaurimenti di memoria durante la generazione.<\/p>\n<p>Per gpt-oss:120b, una finestra di contesto da 128K token aggiunge circa 20 GB di overhead. Una GPU da 80 GB pu\u00f2 gestirla agevolmente, ma un deployment da 70 GB (due GPU consumer) dovrebbe limitare il contesto a 64K token. Consulta <a href=\"https:\/\/convly.ai\/it\/vram-requirements-every-major-llm-2026\/\">Requisiti VRAM per modello<\/a> per curve dettagliate di scalabilit\u00e0 della memoria.<\/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>\u00c8 possibile effettuare il fine-tuning dei modelli gpt-oss?<\/h3>\n<p>S\u00ec. OpenAI ha rilasciato gpt-oss sotto una licenza permissiva che ne consente il fine-tuning per qualsiasi scopo, inclusi gli utilizzi commerciali. \u00c8 possibile utilizzare framework standard per il fine-tuning come Axolotl o Hugging Face TRL. I pesi del modello sono compatibili con l\u2019architettura Llama, quindi gran parte degli strumenti sviluppati per Llama funziona senza modifiche.<\/p>\n<h3>Come si confronta gpt-oss:120b con Llama 3.1 70B?<\/h3>\n<p>gpt-oss:120b supera Llama 3.1 70B nell\u2019esecuzione di istruzioni e nelle conversazioni su pi\u00f9 turni, specialmente nei compiti che richiedono il mantenimento del contesto attraverso numerosi scambi. Llama 3.1 70B registra leggeri vantaggi sui benchmark puri di ragionamento come MATH e DROP. Entrambi i modelli offrono prestazioni simili nei compiti di programmazione. Il modello da 120 miliardi di parametri richiede pi\u00f9 VRAM (70 GB contro 40 GB), ma garantisce un miglioramento qualitativo evidente nelle interazioni di tipo assistente.<\/p>\n<h3>Posso eseguire gpt-oss:120b su pi\u00f9 GPU consumer?<\/h3>\n<p>S\u00ec. Ollama suddivide automaticamente il modello tra le GPU disponibili se una singola GPU non dispone di memoria sufficiente. Due RTX 4090 (48 GB di VRAM complessiva) possono eseguire gpt-oss:120b, anche se la velocit\u00e0 di inferenza diminuisce del 20\u201330% rispetto a quella ottenibile con una singola GPU da 80 GB, a causa dell\u2019overhead legato alla comunicazione tra GPU. L\u2019uso di tre o pi\u00f9 GPU offre benefici marginali: se hai il budget per questo, una singola A100 o H100 risulta pi\u00f9 conveniente.<\/p>\n<h3>gpt-oss funziona offline?<\/h3>\n<p>S\u00ec, una volta scaricato il modello con <code>ollama pull<\/code>. Ollama memorizza localmente tutti i pesi del modello e l\u2019inferenza avviene interamente sulla tua macchina. L\u2019accesso alla rete avviene soltanto durante il download iniziale e quando si verificano eventuali aggiornamenti del modello. \u00c8 possibile disabilitare gli aggiornamenti automatici impostando <code>OLLAMA_SKIP_UPGRADE=1<\/code> nel tuo ambiente.<\/p>\n<h3>Quale licenza si applica agli output generati da gpt-oss?<\/h3>\n<p>La licenza gpt-oss di OpenAI non rivendica alcun diritto di propriet\u00e0 sugli output generati. Tu sei il proprietario degli output prodotti e puoi utilizzarli per qualsiasi scopo, inclusi prodotti e servizi commerciali. Ci\u00f2 differisce dai termini di servizio dell\u2019API di OpenAI, che limitano alcuni casi d\u2019uso. Leggi sempre attentamente il testo completo della licenza incluso nel download del modello per verificare i termini pi\u00f9 aggiornati.<\/p>\n<h3>Posso utilizzare i modelli gpt-oss a fini commerciali?<\/h3>\n<p>S\u00ec. La licenza ne consente l\u2019uso commerciale senza restrizioni, inclusa l\u2019integrazione del modello in prodotti proprietari, la sua offerta come servizio o l\u2019utilizzo per generare contenuti da vendere. Non sei tenuto a rilasciare come open source opere derivate n\u00e9 a dichiarare esplicitamente l\u2019uso di gpt-oss nel tuo prodotto, sebbene l\u2019attribuzione sia incoraggiata.<\/p>","protected":false},"excerpt":{"rendered":"<p>TL;DRgpt-oss:20b runs in ~16GB memory (fits most gaming GPUs), gpt-oss:120b needs ~70GB (single 80GB GPU or split across consumer cards)Install with ollama pull gpt-oss:20b or ollama pull gpt-oss:120b, then run with ollama run gpt-oss:20bBoth variants use MXFP4 quantisation at 4.25 bits per parameter and support 128K context windowsReleased by OpenAI as open-weight models in partnership with Ollama, comparable to Llama 3.1 and Qwen 2.5 in quality OpenAI released gpt-oss as open-weight models in August 2025, distributed exclusively through Ollama.<\/p>","protected":false},"author":1,"featured_media":2236,"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-2235","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\/2235","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=2235"}],"version-history":[{"count":2,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/posts\/2235\/revisions"}],"predecessor-version":[{"id":2278,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/posts\/2235\/revisions\/2278"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/media\/2236"}],"wp:attachment":[{"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/media?parent=2235"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/categories?post=2235"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/tags?post=2235"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}