LLM italiani: Minerva e Velvet sfidano l'egemonia di OpenAI

Ogni volta che integri GPT-4o o Claude nel tuo prodotto italiano, stai pagando un pedaggio in dollari a un'azienda americana e spedendo i dati dei tuoi utenti fuori dall'UE. C'è un'alternativa, ed è più matura di quanto pensi.

Cosa sta succedendo in Italia

Il mercato dell'intelligenza artificiale in Italia ha raggiunto 1,2 miliardi di euro nel 2024, con una crescita del +58% rispetto all'anno precedente. Non è solo import di tecnologia americana: una parte di quel movimento riguarda modelli costruiti qui, addestrati sulla lingua italiana, con architetture e dataset pubblici.

I protagonisti non sono startup VC-backed nate in un garage. Sono un gruppo di ricerca dell'Università La Sapienza, una società quotata in borsa del gruppo Almaviva, e un team dell'Università di Bari. Tre contesti molto diversi, un obiettivo comune: dimostrare che si può addestrare un modello linguistico competitivo partendo dall'italiano, non retrofittandolo sopra a qualcosa pensato in inglese.

Minerva — La Sapienza + FAIR + CINECA

Ad aprile 2024 il gruppo Sapienza NLP, guidato da Roberto Navigli, ha rilasciato la prima versione pubblica di Minerva: il primo LLM addestrato da zero su dati italiani e inglesi, completamente open source, sia nei pesi che nei dati di training. Non un fine-tuning di LLaMA. Non una versione tradotta di qualcos'altro. Un modello costruito da zero.

A novembre 2024 è arrivata Minerva 7B: 7 miliardi di parametri, addestrata su un dataset di 1,5 trilioni di parole, sviluppata nell'ambito del progetto FAIR (Future Artificial Intelligence Research) con fondi PNRR e con CINECA che ha messo a disposizione il supercomputer Leonardo — tra i più potenti in Europa. Il modello è disponibile liberamente, dati e pesi inclusi.

Velvet — Almawave (gruppo Almaviva)

Il 29 gennaio 2025, Almawave ha presentato Velvet all'Auditorium della Tecnica di Confindustria a Roma. Due modelli: Velvet 14B e Velvet 2B. Licenza Apache 2.0, pesi su Hugging Face, addestrati anch'essi su Leonardo di CINECA. Il modello 14B è stato pre-addestrato su oltre 10 trilioni di token in sei lingue (italiano, inglese, spagnolo, portoghese brasiliano, tedesco, francese), con attenzione specifica al bilanciamento della lingua italiana. A dicembre 2024, pochi giorni prima del lancio, Almawave aveva annunciato un finanziamento da 20 milioni di euro in sei anni per sostenere lo sviluppo del progetto.

LLaMAntino — Università di Bari

Pierpaolo Basile e il gruppo SWAP del Dipartimento di Informatica dell'Università di Bari Aldo Moro lavorano da anni su LLaMAntino: una famiglia di modelli open source ottenuti adattando LLaMA all'italiano attraverso continued pre-training e fine-tuning. La famiglia include modelli da 7B fino a 70 miliardi di parametri, disponibili su Hugging Face.

Perché esistono questi modelli (e non è solo accademia)

La domanda che vale la pena farsi non è "chi li ha fatti" ma "perché qualcuno ha deciso di spendere risorse computazionali enormi per costruire un LLM in italiano invece di adattarne uno esistente".

La risposta ha tre livelli.

1. Token fertility — il costo nascosto che nessuno ti dice

I modelli addestrati su corpus prevalentemente inglesi hanno un tokenizer ottimizzato per l'inglese. Una stessa frase in italiano occupa più token rispetto alla versione inglese equivalente. Questo si traduce in: contesti più corti, costi API più alti, performance peggiori sui compiti linguistici dove la granularità del token conta. Un modello addestrato da zero sull'italiano — con un tokenizer costruito su dati italiani — ha una token fertility migliore per la nostra lingua. Minerva e Velvet sono stati progettati esplicitamente con questo problema in mente.

2. Controllo dei dati e compliance

Se costruisci un prodotto che elabora dati personali di utenti italiani o europei, mandare tutto a un'API americana ha implicazioni GDPR reali. Un modello open source che puoi deployare on-premise o su cloud europeo — con licenza Apache 2.0 come Velvet — ti dà controllo completo. Nessun dato esce dalla tua infrastruttura. Per certi settori (legale, sanitario, PA, finanza) questo non è un "nice to have": è un requisito.

3. Fine-tuning su domini verticali

Un modello open source con pesi disponibili è un modello che puoi addestrare ulteriormente sul tuo corpus specifico. Puoi fare fine-tuning su terminologia legale italiana, su dialetti, su dati di settore che non esisteranno mai nel pre-training di ChatGPT perché sono proprietari e in italiano. Questa è la strada per costruire un assistente che suoni come un madrelingua esperto nel tuo dominio, non come una traduzione automatica con un accento.

La differenza tra "addestrato da zero" e "fine-tuned"

Vale la pena chiarirlo perché in giro c'è molta confusione. Fine-tuning su un modello inglese significa partire da rappresentazioni concettuali costruite in inglese e aggiungere uno strato italiano sopra. Minerva è diversa: è stata addestrata da zero su un corpus bilingue italiano-inglese, il che significa che le rappresentazioni interne del modello sono costruite anche sull'italiano, non solo tradotte. È una differenza tecnica che ha conseguenze pratiche sui task linguisticamente complessi — sintassi, ambiguità lessicali, comprensione del contesto culturale.

Cosa significa per te che costruisci un prodotto

Se stai valutando lo stack AI del tuo prodotto, la dicotomia non è più solo "proprietario vs open source". È diventata più granulare.

Quando ha senso usare GPT-4o o Claude

Quando hai bisogno della massima capacità di ragionamento generale, quando il tuo prodotto è prevalentemente in inglese, quando non hai vincoli di compliance stretti, quando la velocità di go-to-market conta più del controllo. Le API di OpenAI e Anthropic sono mature, documentate, affidabili. Per un prototipo o un prodotto early-stage, sono spesso la scelta giusta.

Quando ha senso guardare a Minerva o Velvet

• Il tuo prodotto elabora testi in italiano in modo intensivo (contratti, documenti, customer care, contenuti editoriali).
• Hai clienti enterprise o PA che chiedono garanzie sul dato.
• Vuoi fare fine-tuning su un corpus proprietario in italiano senza cedere quel corpus a un provider terzo.
• Stai costruendo qualcosa in un settore regolato (legale, sanitario, finanziario) dove il dato non può viaggiare.
• Il costo token su GPT-4o sta diventando un problema di unit economics al crescere del volume.

Il gap reale da considerare

Minerva 7B e Velvet 14B non sono GPT-4o. Su task di ragionamento complesso, matematica, coding, la distanza con i modelli frontier americani è ancora significativa. Non illuderti. Ma su task linguistici specifici in italiano — classificazione, estrazione di entità, summarization, question answering su documenti italiani — la distanza si riduce, e in alcuni casi i modelli specializzati possono superare modelli generici più grandi. Il benchmark giusto non è "batte ChatGPT in assoluto" ma "batte ChatGPT sul mio caso d'uso specifico".

La strategia ibrida che vediamo adottare dai builder più avanzati: modelli frontier per la generazione creativa e il ragionamento, modelli open source italiani per i task ripetitivi ad alto volume su testi italiani. Ottimizzazione dei costi senza sacrificare qualità dove conta.

Cosa fare ora

Se non hai ancora testato Minerva 7B o Velvet 14B sul tuo caso d'uso, è il momento. Entrambi i modelli sono su Hugging Face, con licenze permissive, e puoi valutarli con un'istanza su cloud europeo in poche ore. Non devi scegliere tra patriottismo tecnologico e performance: devi testare con dati reali e misurare.

Se vuoi confrontarti con altri founder italiani che stanno affrontando esattamente questa scelta di stack — proprietario vs open source, API vs on-premise — trovi la community su FounderLab. Portiamo il benchmark a casa, non lo leggiamo soltanto.

Fonti

• Fondazione FAIR — Minerva 7B: la nuova frontiera dei modelli linguistici italiani
• ACL Anthology — Minerva LLMs: The First Family of Large Language Models Trained from Scratch on Italian Data (CLiC-it 2024)
• Wikipedia — Minerva (model)
• ANSA — Minerva 7B, l'IA generativa italiana è diventata grande
• AI4Business — Ecco Minerva 7B, la nuova frontiera dei modelli linguistici italiani
• Wikipedia — Velvet AI
• Almaviva — Comunicato stampa Velvet, 29 gennaio 2025
• HuggingFace — AlmawaveLabs/Velvet-14B
• Milano Finanza — AI, ad Almawave un finanziamento da 20 milioni per Velvet
• ResearchGate — LLaMAntino: LLaMA 2 Models for Effective Text Generation in Italian Language
• InnovaPuglia — LLaMAntino, presentazione Università di Bari
• Wikipedia — Artificial intelligence industry in Italy