{"id":2485,"date":"2026-08-30T20:13:51","date_gmt":"2026-08-30T20:13:51","guid":{"rendered":"https:\/\/convly.ai\/?p=2485"},"modified":"2026-08-30T20:13:51","modified_gmt":"2026-08-30T20:13:51","slug":"ollama-local-ai","status":"publish","type":"post","link":"https:\/\/convly.ai\/it\/ollama-local-ai\/","title":{"rendered":"Ollama per l'IA locale: guida completa all'installazione e ai requisiti dei modelli"},"content":{"rendered":"<div class=\"convly-tldr\"><strong>In breve<\/strong><\/p>\n<ul>\n<li>Ollama consente di eseguire modelli di intelligenza artificiale come Llama, Mistral e Gemma in locale tramite un unico strumento da riga di comando<\/li>\n<li>Installazione in pochi secondi: <code>curl https:\/\/ollama.com\/install.sh | sh<\/code> (Linux\/macOS) oppure scarica l'installer per Windows<\/li>\n<li>I modelli entry-level richiedono 4-8 GB di VRAM; i modelli da produzione da 70B richiedono circa 40 GB di VRAM con quantizzazione a 4 bit<\/li>\n<li>Punto di pareggio rispetto alle API cloud: circa 500.000 token\/mese per un modello da 70B, meno per modelli pi\u00f9 piccoli<\/li>\n<\/ul>\n<\/div>\n<p>Ollama is a command-line tool that packages AI language models into containers you can run on your own hardware. Instead of sending prompts to OpenAI, Anthropic, or Google and paying per token, you download a model once\u2014Llama 3.3 70B, Mistral 7B, Phi-4, or any of <a href=\"https:\/\/convly.ai\/it\/ollama-models-list-2026\/\">dozzine di modelli supportati<\/a>\u2014e l'inferenza viene eseguita interamente sulla propria GPU o CPU. I dati rimangono locali, non si paga nulla per ogni richiesta dopo il costo iniziale dell'hardware e si mantiene il pieno controllo sul comportamento del modello e sulla sua disponibilit\u00e0.<\/p>\n<p>Il compromesso riguarda l'hardware: \u00e8 necessaria una quantit\u00e0 sufficiente di VRAM per ospitare il modello. Un modello da 7 miliardi di parametri quantizzato a 4 bit richiede circa 4-5 GB di memoria GPU, compatibile con una scheda consumer come la RTX 4060. Un modello da 70B richiede invece circa 40 GB con quantizzazione a 4 bit, necessitando di una scheda workstation come la RTX 6000 Ada o di una configurazione multi-GPU. La <a href=\"https:\/\/convly.ai\/it\/llm-vram-calculator\/\">Calcolatore VRAM<\/a> mostra i requisiti esatti per qualsiasi dimensione di modello e livello di quantizzazione.<\/p>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_86 counter-flat ez-toc-counter ez-toc-container-direction\">\n<label for=\"ez-toc-cssicon-toggle-item-6a94c19724cff\" 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-6a94c19724cff\"  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-local-ai\/#Installing_Ollama\" >Installazione di Ollama<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/convly.ai\/it\/ollama-local-ai\/#Running_Your_First_Model\" >Esecuzione del primo modello<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/convly.ai\/it\/ollama-local-ai\/#Model_Selection_and_VRAM_Requirements\" >Selezione del modello e requisiti di VRAM<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/convly.ai\/it\/ollama-local-ai\/#Common_Commands_and_Configuration\" >Comandi comuni e configurazione<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/convly.ai\/it\/ollama-local-ai\/#Hardware_Requirements\" >Requisiti hardware<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/convly.ai\/it\/ollama-local-ai\/#Cost_Comparison_Local_vs_API\" >Confronto dei costi: locale vs API<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/convly.ai\/it\/ollama-local-ai\/#Frequently_Asked_Questions\" >Domande frequenti<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"Installing_Ollama\"><\/span>Installazione di Ollama<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<h3>Linux<\/h3>\n<p>Esegui lo script ufficiale di installazione, che rileva la tua distribuzione e configura il <code>ollama<\/code> servizio:<\/p>\n<pre>curl -fsSL https:\/\/ollama.com\/install.sh | sh<\/pre>\n<p>Questo comando installa il binario in <code>\/usr\/local\/bin\/ollama<\/code> e registra un servizio systemd. Il servizio viene avviato automaticamente e sopravvive ai riavvii. Per verificare:<\/p>\n<pre>ollama --version<\/pre>\n<p>Se ti trovi dietro un proxy aziendale o hai bisogno di un'installazione manuale, scarica direttamente il binario da <a href=\"https:\/\/github.com\/ollama\/ollama\/releases\" rel=\"noopener\" target=\"_blank\">le release su GitHub<\/a> e posizionalo nella tua cartella <code>PATH<\/code>.<\/p>\n<h3>macOS<\/h3>\n<p>Scarica l\u2019 <code>.dmg<\/code> installer da <a href=\"https:\/\/ollama.com\/download\" rel=\"noopener\" target=\"_blank\">ollama.com\/download<\/a>, aprilo e trascina Ollama nella cartella Applicazioni. L'applicazione nella barra dei menu avvia il server locale su <code>localhost:11434<\/code>. Per utilizzare Ollama dal Terminale:<\/p>\n<pre>ollama --version<\/pre>\n<p>macOS users on Apple Silicon (M1\/M2\/M3\/M4) can run models using unified memory instead of discrete VRAM. A Mac Studio with 192 GB unified memory can serve a Llama 4 Maverick (240 GB at 4-bit) by swapping to disk, though inference speed drops significantly when exceeding physical RAM.<\/p>\n<h3>Windows<\/h3>\n<p>Scarica l\u2019 <code>OllamaSetup.exe<\/code> installer da <a href=\"https:\/\/ollama.com\/download\" rel=\"noopener\" target=\"_blank\">ollama.com\/download<\/a> ed eseguilo. L'installer aggiunge <code>ollama.exe<\/code> al tuo PATH e avvia il servizio in background. Apri PowerShell o Prompt dei comandi e verifica:<\/p>\n<pre>ollama --version<\/pre>\n<p>\u00c8 supportato Windows Subsystem for Linux (WSL2) con pass-through della GPU: installa Ollama all'interno della tua distribuzione WSL2 seguendo le istruzioni per Linux e assicurati di aver installato i driver NVIDIA CUDA sull'host Windows.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Running_Your_First_Model\"><\/span>Esecuzione del primo modello<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Scarica ed esegui Llama 3.1 8B, un modello performante per il follow-up delle istruzioni che richiede soltanto 5 GB di VRAM:<\/p>\n<pre>ollama run llama3.1:8b<\/pre>\n<p>Ollama scarica il modello (circa 4,7 GB) in <code>~\/.ollama\/models<\/code> (Linux\/macOS) o in <code>%USERPROFILE%.ollamamodels<\/code> (Windows), lo carica in memoria e ti inserisce in una shell interattiva. Digita un messaggio, premi Invio e il modello genera una risposta in locale. Premi <code>Ctrl+D<\/code> oppure digita <code>\/bye<\/code> per uscire.<\/p>\n<p>Per eseguire un modello in background ed eseguire query tramite API:<\/p>\n<pre>ollama serve<\/pre>\n<p>Questo avvia un server su <code>http:\/\/localhost:11434<\/code>. In un altro terminale:<\/p>\n<pre>curl http:\/\/localhost:11434\/api\/generate -d '{\n  \"model\": \"llama3.1:8b\",\n  \"prompt\": \"Spiega il controllo della congestione TCP\",\n  \"stream\": false\n}'<\/pre>\n<p>La risposta viene restituita in formato JSON con il completamento completo nel campo <code>response<\/code> .<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Model_Selection_and_VRAM_Requirements\"><\/span>Selezione del modello e requisiti di VRAM<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Ollama supporta modelli open-weight di Meta, Mistral AI, Microsoft, Google, Alibaba e altri. La tabella seguente mostra alcune scelte popolari e il loro consumo di memoria con quantizzazione a 4 bit, tratti dal <a href=\"https:\/\/convly.ai\/it\/vram-requirements-every-major-llm-2026\/\">database dei requisiti di VRAM<\/a>:<\/p>\n<table>\n<thead>\n<tr>\n<th>Modello<\/th>\n<th>Parametri<\/th>\n<th>Lunghezza del contesto<\/th>\n<th>VRAM a 4 bit<\/th>\n<th>Caso d'uso<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Llama 3.1 8B<\/td>\n<td>8B<\/td>\n<td>128K<\/td>\n<td>~5 GB<\/td>\n<td>Follow-up generale delle istruzioni, adatto a GPU consumer<\/td>\n<\/tr>\n<tr>\n<td>Mistral 7B<\/td>\n<td>7B<\/td>\n<td>32K<\/td>\n<td>~4,5 GB<\/td>\n<td>Inferenza veloce, buona generazione di codice<\/td>\n<\/tr>\n<tr>\n<td>Phi-4<\/td>\n<td>14B<\/td>\n<td>16K<\/td>\n<td>~9 GB<\/td>\n<td>Ragionamento e matematica, efficiente rispetto alle dimensioni<\/td>\n<\/tr>\n<tr>\n<td>Mistral NeMo 12B<\/td>\n<td>12B<\/td>\n<td>128K<\/td>\n<td>~7,5 GB<\/td>\n<td>Attivit\u00e0 con contesto lungo, multilingue<\/td>\n<\/tr>\n<tr>\n<td>Qwen3 8B<\/td>\n<td>8B<\/td>\n<td>128K<\/td>\n<td>~5 GB<\/td>\n<td>Forti capacit\u00e0 multilingui, competitive rispetto a modelli pi\u00f9 grandi<\/td>\n<\/tr>\n<tr>\n<td>Gemma 3 4B<\/td>\n<td>4 miliardi<\/td>\n<td>128K<\/td>\n<td>~3 GB<\/td>\n<td>Il modello pi\u00f9 piccolo utilizzabile, eseguibile su GPU integrate<\/td>\n<\/tr>\n<tr>\n<td>Llama 3.3 70B<\/td>\n<td>70B<\/td>\n<td>128K<\/td>\n<td>~40 GB<\/td>\n<td>Ragionamento di livello produttivo, paragonabile alla classe GPT-4<\/td>\n<\/tr>\n<tr>\n<td>DeepSeek R1 Distill Llama 70B<\/td>\n<td>70B<\/td>\n<td>128K<\/td>\n<td>~40 GB<\/td>\n<td>Modello di ragionamento distillato, eccellenti prestazioni in ambito STEM<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Per elencare tutti i modelli disponibili sul tuo sistema:<\/p>\n<pre>ollama list<\/pre>\n<p>Per eliminare un modello e liberare spazio su disco:<\/p>\n<pre>ollama rm llama3.1:8b<\/pre>\n<p>I tag dei modelli seguono il formato <code>nome:dimensione<\/code> o <code>nome:versione<\/code>. Se il tag viene omesso, viene utilizzato per impostazione predefinita <code>:latest<\/code>. Consulta il catalogo completo su <a href=\"https:\/\/convly.ai\/it\/best-local-llms-to-run-on-ollama-2026\/\">i migliori modelli linguistici locali per Ollama<\/a>.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Common_Commands_and_Configuration\"><\/span>Comandi comuni e configurazione<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Esegui un modello con parametri personalizzati:<\/p>\n<pre>ollama run llama3.1:8b --temperature 0.7 --top-p 0.9<\/pre>\n<p>Passa un prompt direttamente, senza entrare in modalit\u00e0 interattiva:<\/p>\n<pre>ollama run llama3.1:8b \"Scrivi una funzione Python per analizzare date ISO 8601\"<\/pre>\n<p>Carica un modello in memoria senza richiedere input (utile per il warm-up prima di gestire richieste):<\/p>\n<pre>ollama pull llama3.1:8b<\/pre>\n<p>Verifica quali modelli sono attualmente caricati nella VRAM:<\/p>\n<pre>ollama ps<\/pre>\n<p>Imposta il numero di layer GPU da offloadare (utile per l\u2019offloading parziale sulla GPU quando la VRAM \u00e8 limitata):<\/p>\n<pre>OLLAMA_NUM_GPU=35 ollama run llama3.3:70b<\/pre>\n<p>Per impostazione predefinita, Ollama offloada tutti i layer sulla GPU. Ridurre <code>OLLAMA_NUM_GPU<\/code> mantiene alcuni layer sulla CPU, scambiando velocit\u00e0 per un minore utilizzo di VRAM. Un modello da 70B con 20 layer sulla GPU potrebbe richiedere soltanto 20 GB di VRAM, ma operare da 3 a 5 volte pi\u00f9 lentamente.<\/p>\n<p>Per modificare la directory di archiviazione dei modelli, imposta <code>OLLAMA_MODELS<\/code> prima dell\u2019esecuzione:<\/p>\n<pre>export OLLAMA_MODELS=\/mnt\/nvme\/ollama_models\nollama pull llama3.1:8b<\/pre>\n<p>Ollama utilizza file memory-mapped, quindi i modelli vengono caricati pi\u00f9 velocemente da unit\u00e0 NVMe rispetto a SSD SATA. Su un sistema moderno, ci si aspetta un tempo di caricamento di circa 10\u201315 secondi per un modello da 8B e di 60\u201390 secondi per un modello da 70B.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Hardware_Requirements\"><\/span>Requisiti hardware<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Il fattore limitante \u00e8 la VRAM, non la potenza computazionale. Un modello da 70B quantizzato in 4-bit richiede 40 GB di memoria GPU, ma funziona adeguatamente anche su architetture di generazioni precedenti. Una RTX 3090 (24 GB) pu\u00f2 servire due modelli da 8B oppure un modello da 30B. Una RTX 4090 (24 GB) gestisce lo stesso carico con un throughput superiore del 30\u201340% grazie ai tensor core migliorati di Ada Lovelace.<\/p>\n<p>GPU consigliate in base al budget:<\/p>\n<ul>\n<li><strong>Entry-level ($300\u2013500):<\/strong> RTX 4060 Ti 16 GB gestisce agevolmente modelli da 8B e 12B<\/li>\n<li><strong>Prosumer ($1000\u20131500):<\/strong> RTX 4090 o A4000 Ada eseguono comodamente modelli da 30B<\/li>\n<li><strong>Workstation ($4000\u20137000):<\/strong> RTX 6000 Ada (48 GB) o doppia RTX 4090 per modelli da 70B<\/li>\n<li><strong>Servizio multi-modello ($10.000+):<\/strong> A100 80GB o H100 80GB per eseguire pi\u00f9 istanze da 70B<\/li>\n<\/ul>\n<p>Consultate il <a href=\"https:\/\/convly.ai\/it\/best-gpus-for-local-llms-2026\/\">Guida all\u2019acquisto delle GPU<\/a> per confronti dettagliati. Gli utenti Apple Silicon traggono vantaggio dalla memoria unificata: un M2 Ultra con 192 GB pu\u00f2 eseguire modelli che richiederebbero un setup NVIDIA da $25.000, sebbene il throughput in token sia 2\u20133 volte inferiore rispetto a un A100.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Cost_Comparison_Local_vs_API\"><\/span>Confronto dei costi: locale vs API<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Le API cloud addebitano in base al numero di token. <a href=\"https:\/\/convly.ai\/it\/models\/\">Claude Sonnet 5<\/a> costa $2,00 per milione di token in ingresso e $10,00 per milione di token in uscita. Una tipica sessione di assistente per la programmazione genera 500.000 token al mese (250.000 in ingresso, 250.000 in uscita), con un costo annuo di $3.000.<\/p>\n<p>Un modello Llama 3.3 70B auto-hostato su una workstation da $6.000 (RTX 6000 Ada) ha costo marginale nullo dopo l\u2019acquisto dell\u2019hardware. Il punto di pareggio \u00e8 approssimativamente di 500.000 token al mese. Al di sotto di tale soglia, le API cloud risultano pi\u00f9 economiche; al di sopra, l\u2019inferenza locale diventa conveniente. Usa il <a href=\"https:\/\/convly.ai\/it\/self-hosting-vs-api-calculator\/\">calcolatore per l'auto-hosting<\/a> per modellare il tuo carico di lavoro specifico.<\/p>\n<p>I modelli pi\u00f9 piccoli raggiungono il pareggio pi\u00f9 rapidamente. Un modello da 8B su una RTX 4060 Ti da $500 si ripaga in 3\u20134 mesi rispetto alle API cloud, con un utilizzo moderato (100.000 token\/mese). Il vantaggio aggiuntivo \u00e8 la privacy: il tuo codice, i tuoi documenti e i dati interni non lasciano mai la tua rete.<\/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>Ollama pu\u00f2 eseguire modelli esclusivamente sulla CPU?<\/h3>\n<p>S\u00ec, ma l\u2019inferenza \u00e8 da 10 a 50 volte pi\u00f9 lenta, a seconda delle dimensioni del modello. Un modello da 8B genera 1\u20133 token al secondo su una CPU Ryzen o Intel moderna, contro i 40\u201380 token\/sec su una RTX 4090. Imposta <code>OLLAMA_NUM_GPU=0<\/code> per forzare la modalit\u00e0 CPU-only. Pratico per l\u2019elaborazione batch o per utilizzi a basso traffico, ma inadatto per chat interattive.<\/p>\n<h3>In che modo la quantizzazione influisce sulla qualit\u00e0?<\/h3>\n<p>La quantizzazione in 4-bit riduce le dimensioni del modello del 75%, con perdita minima di qualit\u00e0: i benchmark mostrano una degradazione dell\u2019accuratezza compresa tra l\u20191% e il 3% su MMLU e HumanEval rispetto al formato FP16. La quantizzazione in 3-bit (Q3) riduce ulteriormente le dimensioni, ma degrada in modo evidente le capacit\u00e0 di ragionamento e di esecuzione degli istruzioni. Ollama utilizza per impostazione predefinita Q4_0, che bilancia qualit\u00e0 ed efficienza di utilizzo della VRAM. \u00c8 possibile scaricare versioni in 8-bit o FP16 specificando tag come <code>llama3.1:8b-q8_0<\/code>, raddoppiando i requisiti di VRAM.<\/p>\n<h3>Posso eseguire il fine-tuning di modelli con Ollama?<\/h3>\n<p>No. Ollama \u00e8 un runtime per l\u2019inferenza, non un framework per il training. Per fine-tunare un modello, utilizza strumenti come Hugging Face Transformers, Axolotl o LLaMA Factory, esporta il risultato nel formato GGUF e importalo in Ollama tramite un Modelfile. Il processo \u00e8 documentato nel repository GitHub di Ollama alla voce <code>docs\/import.md<\/code>.<\/p>\n<h3>Che cos'\u00e8 l'API di Ollama e come si utilizza?<\/h3>\n<p>Ollama espone un\u2019API REST compatibile con OpenAI su <code>localhost:11434<\/code>. Il blocco <code>\/api\/generate<\/code> l\u2019endpoint gestisce le completions, mentre <code>\/api\/chat<\/code> supporta conversazioni multiplo-turno con cronologia dei messaggi. Puoi integrarlo nei tuoi codebase esistenti semplicemente sostituendo l\u2019URL base: invece di <code>https:\/\/api.openai.com\/v1<\/code>, indirizza il tuo client su <code>http:\/\/localhost:11434<\/code>. Molti framework, come LangChain e LlamaIndex, supportano nativamente Ollama.<\/p>\n<h3>Quante richieste al secondo pu\u00f2 gestire Ollama?<\/h3>\n<p>Un singolo modello caricato serve una richiesta alla volta. Il throughput dipende dalle dimensioni del modello e dall'hardware: una RTX 4090 genera 60-80 token\/sec per un modello da 8B e 15-25 token\/sec per un modello da 70B. Per gestire utenti concorrenti, \u00e8 possibile scalare orizzontalmente (pi\u00f9 macchine) oppure utilizzare il batching a livello applicativo. Ollama non dispone di una coda di richieste integrata; \u00e8 necessario un reverse proxy come NGINX o un bilanciatore del carico.<\/p>\n<h3>Posso eseguire pi\u00f9 modelli contemporaneamente?<\/h3>\n<p>S\u00ec, purch\u00e9 tu abbia sufficiente VRAM. Carica un secondo modello con <code>ollama run<\/code> in un nuovo terminale mentre il primo \u00e8 in esecuzione. Ollama condivide la GPU tra i modelli. Due modelli da 8B (10 GB totali) girano agevolmente su una RTX 4090 da 24 GB. Il passaggio tra modelli \u00e8 quasi istantaneo se entrambi sono gi\u00e0 caricati; altrimenti, attendi tempi di caricamento compresi tra 10 e 90 secondi, a seconda delle dimensioni del modello.<\/p>","protected":false},"excerpt":{"rendered":"<p>TL;DROllama lets you run AI models like Llama, Mistral, and Gemma locally via a single command-line tool Install in seconds: [\u2026]<\/p>\n","protected":false},"author":1,"featured_media":2486,"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":[7],"tags":[],"class_list":["post-2485","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-news"],"_links":{"self":[{"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/posts\/2485","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=2485"}],"version-history":[{"count":1,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/posts\/2485\/revisions"}],"predecessor-version":[{"id":2487,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/posts\/2485\/revisions\/2487"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/media\/2486"}],"wp:attachment":[{"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/media?parent=2485"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/categories?post=2485"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/tags?post=2485"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}