Introduzione a PyTorch e ai modelli di machine learning 2026

Che cos'è PyTorch, come si costruisce e si addestra un modello, che cosa fa davvero torch.compile, quanto costano GPU e inferenza, come si mette in produzione dopo l'archiviazione di TorchServe, e perché nel 2026 è diventato lo standard di fatto del machine learning

PyTorch è la libreria con cui oggi si fa machine learning. Non è un'esagerazione da entusiasti: è la conseguenza di una serie di fatti verificabili che questa guida mette in fila, il più eloquente dei quali arriva dal concorrente. Il 6 marzo 2026, annunciando TensorFlow 2.21, Google ha scritto che d'ora in avanti si concentrerà esclusivamente su sicurezza, correzione di difetti e aggiornamento delle dipendenze, e ha raccomandato di guardare a «Keras 3, JAX e PyTorch per il nuovo lavoro sull'intelligenza artificiale generativa». Quando il produttore di un framework indica il framework concorrente, la discussione su chi abbia vinto è chiusa.

Questa guida percorre PyTorch per intero — caratteristiche principali, vantaggi competitivi, costi, funzionalità avanzate e integrazioni, alternative e confronto, strategie di crescita e tendenze — con due criteri di redazione. Il primo: ogni numero di prestazioni è dichiarato per quello che è, cioè una misura del progetto che lo pubblica, su hardware e carico specifici, non un benchmark indipendente. Il secondo: diciamo anche ciò che nell'ecosistema è morto, perché è l'informazione che fa risparmiare più tempo — e in PyTorch, negli ultimi diciotto mesi, si sono fermate più cose di quante se ne siano avviate.

Due avvertenze pratiche prima di cominciare, perché sono le due che nei progetti reali fanno più danni. La prima: TorchServe, lo strumento ufficiale per servire modelli, è stato archiviato il 7 agosto 2025 e non riceve più patch di sicurezza — se ce l'avete in produzione, avete un componente esposto e non manutenuto. La seconda: i checkpoint dei modelli sono file che possono eseguire codice arbitrario, e fino alla versione 2.6 perfino la protezione documentata era aggirabile, con una vulnerabilità classificata 9,3 su 10. Entrambe hanno una sezione dedicata più avanti.

INDICE DEI CONTENUTI

Che cos'è PyTorch, e come è diventato lo standard
Le caratteristiche principali: come si costruisce un modello
I vantaggi competitivi
Costi: il software è gratis, il calcolo no
Funzionalità avanzate e integrazioni
Alternative a PyTorch e confronto
Strategie di crescita usando PyTorch
Tendenze future
Domande frequenti
In sintesi

Che cos'è PyTorch, e come è diventato lo standard

PyTorch è una libreria open source per il calcolo su tensori e le reti neurali, con licenza BSD a tre clausole. La sua idea fondativa si chiama define-by-run: il grafo del calcolo non si dichiara prima e si esegue poi, ma nasce mentre il codice gira. Scrivi Python normale, usi if e cicli come sempre, metti un print in mezzo alla rete per vedere che cosa succede, e il sistema tiene traccia delle operazioni per calcolare automaticamente le derivate necessarie all'addestramento.

Detta così sembra un dettaglio implementativo. È invece la ragione storica per cui PyTorch ha vinto: ha reso il debug di una rete neurale uguale al debug di un programma normale, in un'epoca in cui l'alternativa richiedeva di costruire il grafo prima e scoprire gli errori dopo. I ricercatori sono andati lì, gli articoli scientifici hanno pubblicato codice PyTorch, i modelli pre-addestrati sono nati PyTorch, e a quel punto anche l'industria ha seguito.

Versioni e ritmo di rilascio

La versione stabile corrente è la 2.14.0, rilasciata il 2 settembre 2026, prodotta da 2.995 commit di 487 contributori rispetto alla precedente. Il ritmo merita attenzione perché è l'opposto di quello del concorrente: nel 2025 sono uscite quattro versioni principali, e nei primi nove mesi del 2026 ne sono uscite cinque — 2.10 a gennaio, 2.11 a marzo, 2.12 a maggio, 2.13 a luglio, 2.14 a settembre — cioè una ogni sei-otto settimane. La 2.15 è annunciata per il 28 ottobre 2026.

Il rovescio della medaglia va detto: non esiste una versione a supporto esteso. Le correzioni arrivano solo sull'ultima versione minore, con al massimo due patch, e per gli acceleratori la regola dichiarata è supportare le ultime due versioni di CUDA o ROCm. Tradotto per chi gestisce un sistema in produzione: restare indietro di più di due versioni significa restare senza correzioni, e con questa cadenza succede in fretta.

Da progetto di un'azienda a fondazione: perché conta

È il vantaggio competitivo meno tecnico e più importante per chi deve firmare un contratto a cinque anni. PyTorch è nato in Meta, ma il 12 settembre 2022 è stato trasferito alla Linux Foundation con la creazione della PyTorch Foundation. Il 7 maggio 2025 la fondazione è diventata una fondazione-ombrello, accogliendo altri progetti dell'infrastruttura di intelligenza artificiale: oggi ne ospita sei — PyTorch, vLLM, DeepSpeed, Ray, Helion e Safetensors, quest'ultimo donato da Hugging Face nell'aprile 2026.

Nel consiglio direttivo siedono, fra gli altri, Arm (che ne esprime la presidenza), NVIDIA, AMD, Intel, AWS, Google, IBM, Huawei, Alibaba Cloud, Hugging Face, Snowflake, Shopify e Meta; a settembre 2026 è entrata anche Cambricon come membro di primo livello. È un impianto in cui concorrenti diretti finanziano e governano insieme la stessa infrastruttura.

Il confronto è netto e va fatto senza retorica: TensorFlow e JAX restano progetti sotto il controllo di una sola azienda, senza una fondazione neutrale equivalente. Per una valutazione di rischio industriale — «che cosa succede al mio stack se l'azienda cambia priorità?» — è la differenza più sostanziale fra le due opzioni, ed è esattamente quello che è successo a TensorFlow nel marzo 2026.

Un fatto correlato che vale la pena conoscere: nel maggio 2026 è cambiata la guida tecnica del progetto. Soumith Chintala, co-creatore e responsabile tecnico principale dalla fondazione, ha lasciato quel ruolo, sostituito da Alban Desmaison per voto dei manutentori. In un progetto sotto fondazione una transizione così avviene con una procedura pubblica: è precisamente il motivo per cui esiste la fondazione.

I numeri di adozione, con la metodologia dichiarata

Serve una premessa, perché su questo argomento circolano percentuali senza fonte: non esiste, nel 2026, una rilevazione con metodologia pubblica sull'adozione relativa dei framework di machine learning. La più autorevole indagine annuale fra sviluppatori ha smesso di porre la domanda. Le cifre del tipo «l'85% della ricerca usa PyTorch» non sono verificabili e qui non compaiono. Quello che si può misurare è questo:

Download del pacchetto Python. 2,07 miliardi di download storici, 77,6 milioni negli ultimi trenta giorni, circa 24 al secondo. Il caveat è obbligatorio: i download includono integrazione continua, ricostruzioni di container e mirror, quindi sovrastimano largamente gli utenti reali. Servono per il confronto relativo, non per contare persone.
Modelli pubblicati su Hugging Face. Sui 3.054.129 modelli presenti, i filtri di libreria contano 244.991 marcati PyTorch contro 17.061 marcati TensorFlow — un rapporto di circa quattordici a uno. Anche qui la metodologia va detta: sono etichette facoltative e un modello può comparire in più filtri.
Attività di sviluppo. 2.995 commit e 487 contributori in una sola versione, con una versione ogni sei-otto settimane.

Un dato bonus che dà la misura di che cosa significhi mantenere un progetto di questa scala: secondo la fondazione, la sola infrastruttura di integrazione continua di PyTorch costa oltre 1,5 milioni di dollari al mese. È il motivo per cui un progetto del genere ha bisogno di una fondazione con sedici aziende dentro.

Le caratteristiche principali: come si costruisce un modello

Il percorso è sempre lo stesso, e conviene conoscerlo per pezzi perché è anche l'ordine in cui si spendono le giornate: i dati, il modello, il ciclo di addestramento, l'accelerazione, il salvataggio.

Tensori e derivazione automatica

Tutto è un tensore: un array multidimensionale che vive su un dispositivo — CPU, GPU, e altri acceleratori — e che si sposta con una riga. Ogni operazione su un tensore che richiede gradiente viene registrata in un grafo costruito al volo; chiamando il metodo che calcola all'indietro, autograd percorre quel grafo e produce le derivate rispetto a ogni parametro. Non c'è compilazione, non c'è dichiarazione anticipata: è codice Python che si può fermare con un punto di interruzione.

Il modello, l'ottimizzatore, i dati

Un modello è una classe che estende il modulo base: si dichiarano i sotto-moduli nel costruttore e si scrive il passaggio in avanti come una normale funzione Python. Gli ottimizzatori — discesa del gradiente stocastica, Adam e varianti — ricevono i parametri e li aggiornano. I dati passano da due astrazioni: il dataset, che sa restituire il singolo elemento, e il caricatore, che li raggruppa in lotti, li mescola e li carica in parallelo su più processi.

Vale qui la stessa regola pratica che vale su qualunque framework, ed è quella che ripaga di più: se l'acceleratore non è occupato al massimo, il problema è quasi sempre il caricamento dei dati, non la rete. Prima di comprare una GPU più grande, va misurato quanto tempo passa ad aspettare.

torch.compile: che cos'è e come funziona

È la funzionalità che ha definito la seconda vita di PyTorch, e serve a recuperare la velocità che l'esecuzione immediata costa. Si aggiunge una riga, e sotto succedono quattro cose:

TorchDynamo cattura il grafo delle operazioni agganciandosi all'esecuzione di Python. Il numero che spiega perché ha funzionato dove i tentativi precedenti avevano fallito è ufficiale: cattura correttamente il 99% dei casi su oltre settemila progetti pubblici, contro circa il 50% del vecchio meccanismo.
AOTAutograd traccia in anticipo anche il passaggio all'indietro, così l'accelerazione riguarda l'addestramento e non solo l'inferenza.
PrimTorch riduce oltre duemila operatori a circa duecentocinquanta primitivi: è ciò che rende praticabile scrivere un nuovo backend hardware.
TorchInductor genera il codice vero, usando Triton per le GPU e C++ con OpenMP per le CPU.

Le modalità sono tre e la scelta è pratica: predefinita per l'uso normale, a overhead ridotto per modelli piccoli dove pesa il costo del framework, e a ottimizzazione massima quando si accetta una compilazione molto lunga in cambio della massima velocità. Esiste anche la compilazione regionale, che compila un blocco ripetuto — tipicamente un livello di transformer — invece dell'intero modello: è la ricetta ufficiale per ridurre il tempo di avviamento a freddo, che su modelli grandi è la vera seccatura.

Quanto accelera davvero, e come va letto il numero

L'unico benchmark ufficiale sistematico è quello pubblicato con PyTorch 2.0, e va citato con la sua metodologia perché è l'unico modo di usarlo onestamente: su 163 modelli open source presi da tre raccolte pubbliche, eseguiti su NVIDIA A100, la compilazione funziona nel 93% dei casi e produce in addestramento un guadagno medio del 43% — che si scompone in +21% in singola precisione e +51% in precisione mista. Lo stesso documento avverte che su GPU desktop i guadagni sono inferiori.

Due precisazioni doverose. La prima: quel numero è riferito a una generazione di hardware precedente e non esiste un aggregato ufficiale aggiornato al 2026 con la stessa metodologia. La seconda: è una media su 163 modelli, quindi sul vostro modello può essere molto di più o quasi nulla. La sola conclusione difendibile è che vale sempre la pena provarlo, perché costa una riga.

Precisione mista e quantizzazione: dove si guadagna di più

La precisione mista automatica — far girare in sedici bit ciò che si può, tenendo in trentadue ciò che serve alla stabilità numerica — è integrata e sostanzialmente gratuita. Sopra c'è torchao, la libreria ufficiale per quantizzazione e sparsità, arrivata alla versione 0.18.0 nell'agosto 2026, che è dove sta avvenendo il lavoro più interessante del 2026.

I numeri ufficiali pubblicati dal progetto ad aprile 2026, su NVIDIA B200 e su modelli di generazione di immagini, danno un'idea dell'ordine di grandezza: da 1,16 a 1,26 volte più veloce con la quantizzazione a otto bit in virgola mobile, e da 1,39 a 1,68 volte con quella a quattro bit, a seconda del modello. Sono misure del progetto su hardware specifico, non benchmark indipendenti — ma la direzione è chiara, e spiega perché la precisione ridotta è oggi la leva economica più efficace sull'inferenza.

Hardware: dove gira, e dove no

NVIDIA: pacchetti ufficiali per CUDA 12.6, 13.0 e 13.2, con la 13.0 come predefinita. È il percorso di riferimento.
AMD: ROCm 7.2 e 7.14. Nell'agosto 2026 il progetto ha pubblicato risultati di addestramento a otto bit in virgola mobile su GPU AMD Instinct con scalabilità dichiarata lineare oltre mille GPU. Non è più un'alternativa teorica.
Intel: il supporto alle GPU Intel nel 2026 è dichiarato maturo, con torch.compile pronto per la produzione, formati a bassa precisione, backend distribuito dedicato e supporto Windows.
Apple Silicon: è l'area con i progressi più vistosi dell'anno. Il backend Metal ha ricevuto la riscrittura di molti operatori in kernel nativi, con guadagni dichiarati di 2-4 volte sulla fase di prefill dell'attenzione e 8,5 volte sul percorso di decodifica di uno strato lineare, oltre all'algebra lineare nativa. Per chi sviluppa su Mac, la differenza rispetto a due anni fa è enorme.
Windows nativo: supportato, GPU inclusa, sia su NVIDIA sia su Intel, e con pacchetti nativi anche per Windows su Arm. È una differenza pratica rilevante rispetto a TensorFlow, che su Windows ha perso il supporto GPU anni fa e richiede il sottosistema Linux.
TPU: il ponte verso le TPU esiste, ma va detto con chiarezza che l'ultima versione pubblicata risale al novembre 2025 ed è ferma diverse versioni indietro rispetto al framework. Chi lavora su TPU non è allineato all'ultima versione di PyTorch: è il caso d'uso in cui JAX resta la scelta più naturale.

I vantaggi competitivi

L'ecosistema, che è il vantaggio decisivo

È la ragione numero uno, e non è tecnica. Se dovete partire da un modello esistente — e nel 2026 quasi tutti partono da un modello esistente — quel modello è PyTorch: sul più grande archivio pubblico il rapporto è di quattordici a uno, la libreria di riferimento per i modelli linguistici ha rimosso il supporto agli altri framework, e il codice pubblicato insieme agli articoli scientifici è quasi sempre PyTorch. Scegliere PyTorch significa poter riusare il lavoro del resto del mondo; scegliere altro significa convertire, o riscrivere.

Un solo stack dalla ricerca alla produzione

Storicamente la critica a PyTorch era che fosse ottimo per sperimentare e debole in produzione. Nel 2026 non regge più: fra torch.compile per la velocità, torch.export e AOTInductor per servire senza dipendere da Python, ExecuTorch per il dispositivo e vLLM per i modelli linguistici, la catena è completa. Con una differenza rispetto al passato che va segnalata: i pezzi di produzione non sono più tutti dentro PyTorch, sono progetti separati — alcuni dei quali, non a caso, ospitati dalla stessa fondazione.

La governance neutrale

Ne abbiamo parlato sopra e vale la pena ripeterlo come voce di vantaggio competitivo, perché è quella che un responsabile tecnico può portare in un comitato: PyTorch non appartiene a nessuno dei fornitori che ci costruiscono sopra. Chi ha vissuto il cambio di rotta di TensorFlow nel marzo 2026 sa esattamente quanto valga.

La velocità di evoluzione

Una versione ogni sei-otto settimane significa che il supporto a un nuovo formato numerico, a un nuovo acceleratore o a una nuova primitiva di attenzione arriva in mesi, non in anni. Per chi lavora su modelli generativi, dove l'hardware e le tecniche cambiano ogni trimestre, è la differenza fra usare ciò che esiste e aspettarlo.

Dove il vantaggio si rovescia

Quattro limiti, e vanno detti.

Primo: non c'è supporto a lungo termine. Nessuna versione con anni di correzioni garantite. Per un sistema industriale che deve restare fermo cinque anni è un problema reale, e la risposta è congelare l'ambiente in un container e presidiarlo, non sperare in una patch.

Secondo: l'ecosistema si muove e lascia indietro dei pezzi. Negli ultimi diciotto mesi si sono fermate o chiuse diverse librerie ufficiali — ne trovate l'elenco più avanti — e TorchServe è stato archiviato. È il prezzo della velocità.

Terzo: la superficie di rischio della catena di fornitura è ampia. Fra formato dei checkpoint, codice eseguito dai config dei modelli e motori di inferenza esposti in rete, nel biennio 2025-2026 le vulnerabilità gravi non sono mancate. C'è una sezione dedicata.

Quarto: la libertà costa disciplina. PyTorch non impone una struttura di progetto: il ciclo di addestramento lo scrivete voi. È ottimo per capire che cosa succede e pessimo per la riproducibilità, se nessuno mette regole. È il motivo per cui esistono livelli come Lightning.

Costi: il software è gratis, il calcolo no

PyTorch ha licenza BSD a tre clausole: nessun canone, nessun limite d'uso commerciale. Una nota per chi si occupa di conformità: il pacchetto distribuito aggrega dipendenze con licenze diverse — Apache, MIT, BSD a due clausole, Boost — quindi la revisione legale va fatta sul pacchetto, non solo sul progetto. Il costo vero sta nel calcolo, nei dati e nelle persone.

GPU a noleggio: il divario che vale la pena conoscere

Listini pubblici verificati il 10 settembre 2026, prezzo per GPU all'ora, su richiesta:

Fornitore	H100	H200	B200	A100 80GB
RunPod	2,89 $ (PCIe) / 3,49 $ (SXM)	4,59 $	6,79 $	1,59 $
Lambda	3,99 $ (SXM)	—	6,69 $ (SXM6 180GB)	2,79 $ (SXM)
Together AI	3,99 $	5,99 $	8,19 $	—
Google Cloud (nodo a 8 GPU, per GPU)	≈ 11,06 $	—	≈ 8,06 $	5,07 $ (1 GPU)

Il dato utile non è nessuno dei singoli prezzi: è che sulla stessa GPU un hyperscaler costa dalle due volte e mezza alle tre volte e mezza un fornitore specializzato. La differenza si paga in integrazione con il resto dell'infrastruttura, in reti a bassa latenza per l'addestramento multi-nodo e in contratti — che per un'azienda strutturata sono ragioni legittime. Ma per addestrare un modello e portarsi via i pesi, quel sovrapprezzo va deciso consapevolmente. Su entrambe le categorie, gli sconti per impegno pluriennale e le istanze interrompibili tagliano ulteriormente il conto.

Inferenza: comprare token o comprare GPU

Per i modelli linguistici aperti esiste un'alternativa al possedere l'infrastruttura, ed è comprare l'inferenza a consumo. Tanto per fissare l'ordine di grandezza, su un fornitore con listino pubblico verificato lo stesso giorno, il prezzo per un milione di token in ingresso e in uscita va da 0,14-0,28 $ per i modelli piccoli e ottimizzati a 1,32-3,96 $ per i modelli di punta.

Il calcolo da fare è sempre lo stesso e quasi nessuno lo fa prima: a quanti token al mese il noleggio di una GPU costa meno del consumo. Sotto quella soglia, gestire un'infrastruttura è una perdita secca; sopra, il risparmio diventa rapidamente la voce più grande del progetto. E c'è un terzo caso che azzera entrambe le voci, ed è l'inferenza sul dispositivo dell'utente, di cui parliamo fra poco.

I costi che non compaiono nel preventivo

Gli esperimenti inutili. Su un progetto di ricerca applicata, la parte più cara non è l'addestramento finale: è la sequenza di tentativi che non hanno funzionato. Ridurli è una questione di metodo — partire da una linea di base semplice, cambiare una cosa alla volta, registrare tutto — non di hardware.

Il tempo di compilazione. Con la modalità a ottimizzazione massima la compilazione può durare a lungo e va rifatta a ogni cambiamento; su modelli grandi il tempo di avviamento a freddo diventa una voce operativa. È esattamente il problema che la compilazione regionale e la possibilità di compilare su un solo nodo e riusare l'artefatto sugli altri, introdotta nella 2.14, sono nate per risolvere.

I dati e le persone. Come su qualunque framework, sono le due voci più grandi. E la terza, che compare al secondo anno, è il presidio del modello in esercizio: monitoraggio della deriva, riaddestramento, confronto fra versioni.

Un'onestà sul costo del fine-tuning

Non esiste un listino ufficiale con metodologia dichiarata per il costo di adattare un modello: si calcola come ore di GPU per prezzo orario, e dipende dalla dimensione del modello, dalla tecnica — l'adattamento a basso rango riduce drasticamente la memoria richiesta — e dalla quantità di dati. Chiunque vi dia una cifra senza aver visto il vostro caso sta tirando a indovinare. Il modo corretto di preventivare è misurare su un campione ridotto e moltiplicare.

Funzionalità avanzate e integrazioni

Addestrare su più GPU: che cosa si usa nel 2026

Quando il modello non entra in una GPU, la risposta di PyTorch è la composizione di più forme di parallelismo, tutte espresse sopra due astrazioni: DTensor, cioè il tensore che sa come è distribuito, e DeviceMesh, cioè la griglia di dispositivi su cui è distribuito.

Parallelismo dei dati nella sua forma classica, quando il modello ci sta in memoria e si vuole solo andare più veloci.
FSDP2, che frammenta parametri, gradienti e stato dell'ottimizzatore per singolo parametro: è la forma su cui si concentra lo sviluppo attuale ed è la base di riferimento per i modelli grandi.
Parallelismo dei tensori, di pipeline e di contesto, componibili con i precedenti attraverso la griglia dei dispositivi.

Un indicatore quantitativo di quanto questa parte stia crescendo, dai dati ufficiali di rilascio: le regole di distribuzione registrate per DTensor sono passate da 585 a gennaio 2026 a 1.239 a settembre 2026, cioè sono più che raddoppiate in otto mesi. Sopra tutto questo c'è torchtitan, la piattaforma nativa per l'addestramento su larga scala, arrivata alla 0.3.0 a settembre 2026 — con l'avvertenza, dichiarata dal progetto stesso, che è in sviluppo intenso e spesso allineata alle versioni notturne: matura per la ricerca e per l'addestramento di frontiera, non da presentare come prodotto stabile per l'azienda.

La versione 2.14 ha aggiunto, sul distribuito, cose che contano su grande scala: la sovrapposizione fra calcolo e comunicazione attiva per impostazione predefinita, un nuovo backend di comunicazione con operazioni a senso unico, la riconfigurazione dei gruppi di processi senza riavvio in caso di guasto, e un meccanismo di instradamento dei token pensato per i modelli a miscela di esperti. Attenzione a un dettaglio pratico: fra la 2.12 e la 2.13 due funzioni collettive sono state rinominate, ed è il tipo di cambiamento che rompe il codice al primo aggiornamento.

Portare il modello fuori da Python

È il capitolo che è cambiato di più, e va conosciuto perché contiene una deprecazione e un'archiviazione.

TorchScript, il vecchio meccanismo di esportazione, è deprecato dalla versione 2.10 di gennaio 2026, e dalla 2.14 gli avvisi sono visibili all'utente. La strada ufficiale è torch.export, che produce una rappresentazione del grafo su cui si innestano due destinazioni: AOTInductor, che compila in anticipo per servire il modello senza dipendere dall'interprete Python, ed ExecuTorch, per il dispositivo.

E qui va detta la cosa più importante di tutta la sezione. TorchServe, lo strumento ufficiale per servire i modelli, è archiviato dal 7 agosto 2025: il repository è in sola lettura, l'ultima versione è del settembre 2024, e l'avviso ufficiale dichiara che non ci saranno aggiornamenti, correzioni, nuove funzionalità né patch di sicurezza. Per un pubblico aziendale è il punto operativo numero uno di questo articolo: chi ha TorchServe in produzione ha un componente esposto in rete e non manutenuto, e va sostituito. Le destinazioni sono vLLM o SGLang per i modelli linguistici, e AOTInductor, ONNX Runtime, OpenVINO o TensorRT per tutto il resto.

Servire modelli linguistici: vLLM è lo standard

vLLM — versione 0.29.0 del settembre 2026 — è il motore di inferenza ad alto throughput nato all'università di Berkeley e donato alla Linux Foundation nel 2024. Le sue tecniche di riferimento sono la gestione della memoria dell'attenzione a pagine, il riempimento parziale del prefill, il servizio di più adattatori contemporaneamente e la cache automatica dei prefissi condivisi. Espone un server compatibile con l'interfaccia più diffusa e gira su GPU NVIDIA e AMD, TPU, acceleratori AWS e CPU Intel.

Il motivo per cui è ragionevole chiamarlo standard di fatto non è un'opinione, è un fatto di governance: è ospitato dalla stessa fondazione di PyTorch, è il motore di inferenza usato dagli strumenti nativi di apprendimento per rinforzo del progetto, ed è il bersaglio dichiarato delle ottimizzazioni di Intel e AMD. L'alternativa diretta è SGLang; TensorRT-LLM offre le prestazioni migliori al prezzo del vincolo all'hardware NVIDIA.

Sul dispositivo: ExecuTorch

ExecuTorch ha raggiunto la versione 1.0 il 22 ottobre 2025, con API stabili e un elenco di backend dichiarati pronti per la produzione: CPU con le ottimizzazioni Arm, Core ML di Apple, il motore neurale di Qualcomm, gli acceleratori Arm Ethos e Vulkan per le GPU; altri sono in fase iniziale, fra cui NXP, Samsung e OpenVINO per i PC. La versione corrente è la 1.4.1 dell'agosto 2026.

Perché interessa anche chi non fa app mobili: l'inferenza sul dispositivo è la risposta economica e normativa all'endpoint sempre acceso. Nessun costo per richiesta, nessuna latenza di rete e — in Europa questo pesa quanto il resto — nessun dato personale che lascia il dispositivo, il che semplifica radicalmente base giuridica, trasferimenti e tempi di conservazione.

L'ecosistema Hugging Face, che di fatto è parte dello stack

Nella pratica quotidiana, «usare PyTorch» significa quasi sempre usare anche quattro librerie: Transformers (serie 5.x, settembre 2026) per i modelli, Accelerate per far girare lo stesso codice su una GPU o su un cluster, PEFT per l'adattamento efficiente e TRL per l'addestramento con preferenze e rinforzo. È l'insieme che rende praticabile in giorni ciò che altrimenti richiederebbe mesi — ed è anche il motivo per cui l'articolo sul framework concorrente finisce, inevitabilmente, a parlare di questo.

Quali librerie sono vive e quali no

È la sezione che fa risparmiare più tempo, perché nell'ecosistema PyTorch molte cose si sono fermate senza clamore. Stato verificato al 10 settembre 2026:

Libreria	Stato	Che cosa usare
torchvision	Attiva (0.29.0, settembre 2026)	—
torchao	Attiva (0.18.0, agosto 2026)	Quantizzazione e sparsità
torchtitan	Attiva (0.3.0, settembre 2026), dichiarata in sviluppo intenso	Addestramento su larga scala
TorchRec	Attiva (1.8.0, agosto 2026)	Sistemi di raccomandazione
torchaudio	In manutenzione: nessuna nuova funzionalità	TorchCodec per decodifica audio e video
torchtune	Sviluppo interrotto dal 15 luglio 2025	torchforge (sperimentale) o l'ecosistema Hugging Face
torchtext	Archiviata il 10 settembre 2025, ultima versione aprile 2024	Transformers e i tokenizzatori dedicati
TorchServe	Archiviato il 7 agosto 2025, senza patch di sicurezza	vLLM, SGLang, AOTInductor, ONNX Runtime
TorchScript	Deprecato dalla 2.10	torch.export
PyTorch/XLA (TPU)	Ultima versione novembre 2025, indietro rispetto al framework	Su TPU valutare JAX

Sicurezza e catena di fornitura: la parte che nessuno legge e tutti dovrebbero

Qui c'è il rischio più concreto e meno percepito di tutto lo stack, e riguarda chiunque scarichi un modello da internet.

Il problema. Il formato storico dei checkpoint di PyTorch si appoggia al meccanismo di serializzazione di Python, che esegue codice durante il caricamento. Caricare un checkpoint non fidato equivale a eseguire un programma sconosciuto sulla propria macchina, con i propri permessi.

La mitigazione, e il suo difetto. Dalla versione 2.6, di gennaio 2025, il caricamento avviene per impostazione predefinita in modalità «solo pesi». Ma c'è un precedente che va conosciuto: CVE-2025-32434, gravità 9,3 su 10, pubblicata nell'aprile 2025, ha dimostrato che fino alla 2.6 quella protezione era aggirabile e permetteva l'esecuzione di codice da remoto. La lezione operativa è precisa: non bastava usare il flag, bisognava aggiornare. Il minimo oggi è PyTorch 2.6, e ragionevolmente molto più avanti.

La soluzione strutturale. Si chiama safetensors: un formato che non esegue codice. Che Hugging Face l'abbia donato alla PyTorch Foundation nell' aprile 2026, con la motivazione esplicita di rendere sicura l'esecuzione dei modelli, dice che è diventato lo standard di settore. Il dato che lo conferma: sul più grande archivio pubblico i modelli marcati safetensors sono 1.246.847 contro i 244.991 in formato classico, cioè oltre cinque a uno.

Il rischio si è spostato sui motori di inferenza. Due casi del biennio, entrambi su vLLM, che vale la pena conoscere perché descrivono una categoria di problema più che due difetti singoli. Il primo, gravità 9,8, permetteva l'esecuzione di codice da remoto inviando semplicemente l'indirizzo di un video malevolo a un endpoint del servizio, sfruttando due librerie incluse nel pacchetto e non scritte dal progetto; è corretto dalla versione 0.14.1, e l'aggravante dichiarata è che le installazioni predefinite non hanno autenticazione. Il secondo, gravità 7,1, permetteva di far eseguire codice attraverso il file di configurazione di un modello, aggirando l'impostazione che dovrebbe impedirlo.

Da qui l'igiene minima, che è breve e non negoziabile: PyTorch aggiornato; safetensors per ogni checkpoint; non fidarsi del codice remoto nei config e verificare che la versione della libreria rispetti davvero l'impostazione; mai esporre un motore di inferenza direttamente in rete senza autenticazione davanti; scansione delle dipendenze, perché due dei tre casi citati arrivano da librerie incluse e non dal codice del progetto; e sostituzione di ciò che non è più manutenuto, TorchServe in testa.

Alternative a PyTorch e confronto

Il confronto in una tabella

Strumento	Versione (10 set. 2026)	Quando conviene rispetto a PyTorch
PyTorch	2.14.0 (2 set 2026)	È il riferimento: ricerca, modelli linguistici, fine-tuning, visione, produzione
TensorFlow	2.21.0 (6 mar 2026)	Solo per basi di codice esistenti e pipeline TFX già in esercizio. Google raccomanda altro per il lavoro nuovo
JAX	0.11.1 (17 ago 2026)	Addestramento su TPU e su larga scala, ricerca numerica, controllo fine della distribuzione. Ecosistema di modelli molto più ridotto
Keras 3	3.15.1 (29 lug 2026)	Astrazione alta e portabilità: gira anche sopra PyTorch. Ottimo per prototipare e per non legarsi a un motore
scikit-learn	1.9.0 (2 giu 2026)	Machine learning classico su dati tabellari: nella maggioranza dei casi aziendali è la risposta corretta
XGBoost	3.4.1 (15 ago 2026)	Dati tabellari strutturati, dove tipicamente batte il deep learning a parità di sforzo
MLX (Apple)	0.32.2 (25 ago 2026)	Sviluppo locale su Apple Silicon. Il vantaggio si è però assottigliato: il backend Metal di PyTorch nel 2026 ha recuperato molto
ONNX Runtime	1.29.0 (17 ago 2026)	Inferenza portabile e neutrale rispetto al framework, soprattutto su CPU
OpenVINO	2026.3.1 (26 ago 2026)	Inferenza ottimizzata su CPU, GPU integrate e NPU Intel — rilevante per il parco macchine delle aziende italiane
TensorRT-LLM	1.2.1 (20 apr 2026)	Massime prestazioni di inferenza su hardware NVIDIA, al prezzo del vincolo al fornitore

PyTorch contro TensorFlow

Il confronto tecnico è meno interessante del confronto strategico, perché le due librerie fanno sostanzialmente le stesse cose. Quello che le separa nel 2026 è tutto attorno.

Da una parte, TensorFlow ha per sé la stabilità dichiarata — che è una proprietà reale e desiderabile per un sistema che fa una cosa sola da anni — una catena di produzione completa con TFX e strumenti di validazione dei dati che non hanno equivalente diretto, e un enorme installato da mantenere.

Dall'altra, PyTorch ha l'ecosistema dei modelli in rapporto di quattordici a uno, una fondazione neutrale con sedici aziende nel consiglio, una versione ogni sei-otto settimane, e la raccomandazione — non nostra: di Google — per il lavoro nuovo. Abbiamo dedicato a TensorFlow una guida gemella che entra nel merito di che cosa continua a essere mantenuto e che cosa no.

La regola pratica: se avete TensorFlow in produzione non migrate per moda; se cominciate adesso, cominciate da PyTorch.

PyTorch contro JAX

JAX non è un concorrente frontale: è uno strumento diverso, per un pubblico diverso. Offre trasformazioni funzionali componibili — derivazione, vettorizzazione, compilazione, parallelizzazione — e un controllo esplicito e finissimo di come i tensori sono distribuiti. È la scelta naturale per la ricerca numerica e per l'addestramento su TPU, dove peraltro il ponte di PyTorch è rimasto indietro di diverse versioni.

Il prezzo è lo stile funzionale, che richiede di ripensare il codice, e un ecosistema di modelli pronti e di librerie di dominio molto più piccolo. Per la stragrande maggioranza dei progetti aziendali, la domanda «JAX o PyTorch» non si pone: si pone «PyTorch o niente deep learning».

Keras 3, che non è un'alternativa

Merita una riga perché genera confusione: Keras 3 gira anche sopra PyTorch, oltre che su TensorFlow, JAX e un motore di inferenza. Non è un concorrente, è uno strato di astrazione. Per un team che vuole scrivere modelli in modo compatto senza legarsi a un motore, è un'opzione seria — ed è la copertura naturale per chi arriva da TensorFlow.

Il promemoria che fa risparmiare più soldi di tutti

Va detto anche in una guida dedicata al framework più potente in circolazione: la maggior parte dei problemi aziendali reali non richiede una rete neurale. Previsione della domanda, punteggio di abbandono, classificazione di richieste di assistenza, rilevamento di anomalie su dati tabellari: per questi, scikit-learn e XGBoost si addestrano in minuti su una CPU, si spiegano a chi decide, non richiedono GPU e spesso danno risultati migliori. È una pratica consolidata più che un dato misurato, ma è la prima domanda da porsi: serve davvero il deep learning, o serve un buon modello tabellare fatto bene?

Come si decide: cinque domande

Il problema è tabellare? Se sì, scikit-learn o XGBoost, e non aprite nemmeno PyTorch.
Parti da un modello esistente? Se sì, PyTorch, perché è lì che sono i modelli.
Dove girerà l'inferenza? Server, dispositivo o browser cambiano lo stack a valle più di quanto cambi il framework di addestramento.
Addestri su TPU? È il caso in cui vale la pena guardare JAX.
Chi presidierà sicurezza e aggiornamenti? Con una versione ogni sei-otto settimane e senza supporto a lungo termine, è la domanda che decide se il progetto regge nel tempo.

Strategie di crescita usando PyTorch

Per un'azienda che parte adesso

Parti dalla decisione, non dal modello. «Quale scelta cambieremo, con quale dato, e come sapremo se ha funzionato» viene prima di qualunque scelta tecnica.
Prova la linea di base semplice. Se un modello tabellare risolve il problema, hai finito a costo quasi zero.
Se serve il deep learning, parti da un modello pre-addestrato e adattalo, invece di addestrare da zero. È la differenza fra settimane e mesi, e fra centinaia e decine di migliaia di euro.
Decidi presto dove gira l'inferenza, perché è la voce che domina il costo di esercizio: servizio gestito, macchina propria o dispositivo dell'utente.
Metti in piedi monitoraggio e sicurezza dal primo giorno: deriva dei dati, metriche per segmento, checkpoint in formato sicuro, motore di inferenza mai esposto senza autenticazione.

Per un'azienda che oggi ha TensorFlow

La sequenza è quella della nostra guida gemella e vale la pena richiamarla in due righe: metti in sicurezza il presente — versione supportata, sostituzione dei componenti non più mantenuti — sposta il codice sull'API Keras 3, che rende il modello indipendente dal motore, separa l'inferenza con un formato neutrale, e scrivi le cose nuove su PyTorch. Non è una migrazione: è smettere di aggiungere peso da una parte e cominciare a costruire dall'altra.

Per un professionista: che cosa vale la pena imparare

La distinzione utile è fra competenze trasferibili e competenze legate a un prodotto, e su PyTorch la lista è più lunga del previsto dal lato trasferibile.

Ciò che vale sempre: costruire e ripulire pipeline di dati; valutare un modello in modo corretto, comprese le metriche per segmento; mettere in produzione, versionare e monitorare; capire i costi di calcolo e come si riducono; scegliere la soluzione più semplice che funziona. Nessuna di queste dipende dal framework, e tutte sono ciò che manca nei progetti che falliscono.

Ciò che vale su PyTorch in particolare: saper usare torch.compile e capire quando non aiuta; conoscere le forme di parallelismo e quando servono davvero; saper esportare un modello e servirlo senza Python; conoscere vLLM; e — competenza rara e molto richiesta — saper adattare un modello aperto con tecniche efficienti in memoria, che è il lavoro che oggi le aziende chiedono più spesso.

La certificazione ufficiale, che dal 2026 esiste

È una novità che vale la pena conoscere, anche perché va nella direzione opposta rispetto al concorrente. Il 18 giugno 2026 la Linux Foundation, insieme alla PyTorch Foundation, ha lanciato la PyTorch Certified Associate: esame online con sorveglianza, a risposta multipla, 120 minuti, 250 dollari (o 495 in abbinamento all'abbonamento formativo annuale), validità due anni, dodici mesi di tempo per sostenerlo, un tentativo di recupero incluso e nessun prerequisito formale.

I domini d'esame dicono che cosa il progetto considera importante, e sono un buon programma di studio anche per chi non intende certificarsi: fondamenti 38%, prestazioni e ottimizzazione 26%, sviluppo del modello 20%, gestione dei dati 16%. È dichiarata in programma anche una certificazione di livello avanzato, senza data annunciata. Accanto ci sono i corsi ufficiali della Linux Foundation, incluso uno pensato per chi decide e non per chi programma, e la documentazione gratuita del progetto.

Il contrasto con l'altro mondo è netto e vale la pena segnalarlo: la certificazione TensorFlow è chiusa dal 2024, mentre quella PyTorch è nata nel 2026.

Il mercato italiano, con i dati che esistono davvero

Va detto in apertura: non esistono dati pubblici con metodologia dichiarata sulla domanda di PyTorch rispetto ad altri framework in Italia, né sulle retribuzioni per singolo strumento. Chi le cita sta usando aggregatori di annunci senza campione né metodo.

Il quadro complessivo, invece, è documentato. Secondo l'Osservatorio Artificial Intelligence del Politecnico di Milano, nel comunicato del febbraio 2026: il mercato italiano dell'intelligenza artificiale vale 1,8 miliardi di euro nel 2025, in crescita del 50%; la domanda di competenze AI negli annunci di lavoro è cresciuta del 93%, con 44.000 posizioni che le richiedono; il 71% delle grandi imprese ha almeno un progetto avviato ma solo il 20% usa l'intelligenza artificiale in modo pervasivo.

Il dato più utile per chi legge questa guida resta però un altro, dalla stessa fonte: il 54% di quel mercato è machine learning «classico», non generativo. Tradotto: in Italia la maggior parte del lavoro pagato non è addestrare modelli di frontiera, è mettere in produzione e mantenere modelli di previsione, classificazione e raccomandazione su dati aziendali — e la competenza che scarseggia non è teorica, è quella di chi sa portare un modello dalla prova alla produzione e tenercelo. È lo stesso profilo che descriviamo nella nostra guida su il freelance Python e l'intelligenza artificiale.

Tendenze future

Agenti e apprendimento per rinforzo

È la direzione dichiarata dalla fondazione per i prossimi anni: la dirigenza parla esplicitamente di «produttizzare lo stack nativo per gli agenti e l'apprendimento per rinforzo» e di standardizzare gli ambienti aperti in cui addestrarli, oltre a espandere il progetto verso l'AI per la scienza e la robotica. Il primo mattone esiste già ed è torchforge, la libreria nativa per il post-addestramento con rinforzo annunciata nell'ottobre 2025, che mette insieme torchtitan per l'addestramento e vLLM per l'inferenza — dichiarata sperimentale dal progetto stesso, con API che possono cambiare.

Il tema è centrale anche nella PyTorch Conference nordamericana del 20-21 ottobre 2026, e ha già una manifestazione concreta sul fronte opposto dello spettro: nell'agosto 2026 è stato pubblicato il lavoro su un agente che gira sul dispositivo tramite ExecuTorch, a partire da un modello distillato. È il punto in cui le due tendenze — agenti e inferenza locale — si incontrano.

La bassa precisione è dove si vince adesso

Otto bit in virgola mobile per l'addestramento, quattro bit per l'inferenza: nel 2026 non sono più ricerca. Ci sono numeri ufficiali su tre fronti diversi — i guadagni di torchao su hardware NVIDIA di ultima generazione, l'addestramento a otto bit su oltre mille GPU AMD, i formati a bassa precisione sulle GPU Intel — e tutti dicono la stessa cosa: la leva economica più efficace sul costo di esercizio non è comprare una GPU più grande, è far entrare il modello in meno bit.

Hardware eterogeneo: la vera partita

Il segnale più interessante del 2026 non riguarda le prestazioni ma la portabilità. Il compilatore di PyTorch, che fino a ieri generava codice attraverso un solo linguaggio intermedio, nella 2.14 ne usa tre; uno di questi, Helion, è diventato progetto della fondazione e a luglio 2026 è stato mostrato — in collaborazione con Google — generare codice per le TPU, con l'obiettivo dichiarato di scrivere kernel una volta e farli girare su hardware diversi.

Messo insieme al consiglio direttivo che comprende NVIDIA, AMD, Intel, Arm, Huawei, Alibaba, Graphcore e Cambricon, il quadro è chiaro: la partita dei prossimi anni non è quale framework vince, è rompere il vincolo a un solo fornitore di acceleratori. Per un'azienda europea che compra hardware, è la tendenza con l'impatto economico potenzialmente maggiore.

Che cosa non cambierà

La qualità e la disponibilità dei dati, la correttezza della valutazione, il monitoraggio in esercizio, il costo dell'inferenza e la conformità normativa. Sono i cinque fattori che decidono se un progetto di machine learning produce valore, valgono su qualsiasi framework, e nessuno è stato reso obsoleto da una novità di prodotto in dieci anni. Su PyTorch se ne aggiunge un sesto, che è il prezzo della velocità: qualcuno deve tenere aggiornato lo stack e presidiarne la sicurezza.

Domande frequenti

Perché PyTorch è diventato lo standard?

Per tre ragioni, di cui solo una è tecnica. La prima: l'esecuzione immediata ha reso il debug di una rete neurale uguale a quello di un programma normale, e i ricercatori sono andati lì. La seconda: l'ecosistema dei modelli — sul più grande archivio pubblico i modelli marcati PyTorch sono circa quattordici volte quelli marcati TensorFlow, e la libreria di riferimento per i modelli linguistici ha rimosso il supporto agli altri framework. La terza: la governance, perché dal 2022 il progetto è della Linux Foundation e nel consiglio siedono sedici aziende concorrenti. Il sigillo è arrivato dal concorrente: il 6 marzo 2026 Google ha raccomandato «Keras 3, JAX e PyTorch» per il nuovo lavoro sull'AI generativa.

Meglio PyTorch o TensorFlow nel 2026?

Per un progetto nuovo, PyTorch, per la disponibilità dei modelli pre-addestrati e della documentazione. Per un sistema già in produzione su TensorFlow, non migrate per moda: mettete in sicurezza la versione, sostituite i componenti non più mantenuti, spostate il codice sull'API Keras 3 — che gira anche sopra PyTorch — e scrivete le cose nuove sul nuovo stack. TensorFlow conserva vantaggi reali su una catena di produzione completa come TFX e sulla stabilità dichiarata; quello che non ha più sono le nuove funzionalità.

Che cos'è torch.compile e quanto accelera?

È il compilatore integrato: si aggiunge una riga e il sistema cattura il grafo delle operazioni, lo ottimizza e genera codice specializzato per l'hardware. Il benchmark ufficiale — 163 modelli open source su NVIDIA A100 — dichiara che funziona nel 93% dei casi con un guadagno medio del 43% in addestramento. Due precisazioni oneste: quel numero è riferito a una generazione precedente di hardware e non esiste un aggregato ufficiale aggiornato al 2026, ed è una media, quindi sul vostro modello può valere molto di più o quasi nulla. Costa una riga: va provato sempre.

Come si mette in produzione un modello PyTorch?

Non con TorchServe: è archiviato dal 7 agosto 2025, l'ultima versione è del settembre 2024 e l'avviso ufficiale dichiara che non ci saranno aggiornamenti, nuove funzionalità né patch di sicurezza. Chi lo ha in produzione ha un componente esposto e non manutenuto. Le alternative: vLLM o SGLang per i modelli linguistici; AOTInductor — che compila in anticipo un modello passato per torch.export e lo esegue senza Python — oppure ONNX Runtime, OpenVINO o TensorRT per gli altri modelli; ExecuTorch per il dispositivo. Va segnalato anche che TorchScript è deprecato dalla versione 2.10: il percorso di esportazione è torch.export.

Quanto costa addestrare un modello con PyTorch?

Il software è gratuito, con licenza BSD. Il calcolo ha listini pubblici, verificati a settembre 2026: su un fornitore specializzato una H100 costa 2,89-3,99 dollari l'ora, una B200 6,69-6,79, una A100 da 80 GB 1,59-2,79. Il dato più utile è però un altro: sulla stessa GPU un hyperscaler costa dalle due volte e mezza alle tre volte e mezza un fornitore specializzato. Per l'inferenza esiste l'alternativa di comprare token a consumo — indicativamente da 0,14 a 3,96 dollari per milione di token secondo il modello — e il calcolo da fare è a quanti token al mese conviene passare a un'infrastruttura propria. Le due voci più grandi restano comunque i dati e le persone.

I modelli scaricati da internet sono sicuri?

Non per costruzione. Il formato storico dei checkpoint di PyTorch esegue codice durante il caricamento: aprire un checkpoint non fidato equivale a eseguire un programma sconosciuto. Dalla versione 2.6 il caricamento avviene per impostazione predefinita in modalità «solo pesi», ma attenzione al precedente: una vulnerabilità di gravità 9,3 pubblicata nell'aprile 2025 ha dimostrato che fino alla 2.6 quella protezione era aggirabile — non bastava il flag, serviva l'aggiornamento. La risposta strutturale è safetensors, un formato che non esegue codice, donato alla PyTorch Foundation nell'aprile 2026 e ormai maggioritario: sul più grande archivio pubblico i modelli in quel formato sono oltre cinque volte quelli nel formato classico.

Serve per forza una GPU NVIDIA?

No, e nel 2026 meno che mai. Le distribuzioni ufficiali coprono CUDA (12.6, 13.0 e 13.2) e ROCm per AMD, con risultati di addestramento a bassa precisione dichiarati scalabili linearmente oltre mille GPU AMD. Il supporto alle GPU Intel è dichiarato pronto per la produzione, compreso il compilatore. Su Apple Silicon il backend Metal ha ricevuto guadagni dichiarati di 2-4 volte sulla fase di prefill dell'attenzione. Windows nativo è supportato con GPU, anche su Arm. L'eccezione sono le TPU, dove il ponte è rimasto indietro di diverse versioni rispetto al framework: lì la scelta naturale resta JAX.

Esiste una certificazione PyTorch?

Sì, ed è recente. Il 18 giugno 2026 la Linux Foundation con la PyTorch Foundation ha lanciato la PyTorch Certified Associate: esame online sorvegliato, a risposta multipla, 120 minuti, 250 dollari, validità due anni, un tentativo di recupero incluso, nessun prerequisito. I domini sono fondamenti 38%, prestazioni e ottimizzazione 26%, sviluppo del modello 20%, gestione dei dati 16% — un buon programma di studio anche per chi non vuole certificarsi. È annunciato un livello avanzato, senza data. Per contrasto, la certificazione TensorFlow è chiusa dal 2024.

In sintesi

PyTorch è la scelta corretta per quasi tutto ciò che riguarda il deep learning nel 2026, e la ragione principale non è tecnica: è che il resto del mondo è lì. I modelli, il codice degli articoli, le librerie di adattamento, i motori di inferenza, e ora anche una fondazione neutrale in cui sedici aziende concorrenti finanziano la stessa infrastruttura. Non è la scelta giusta se il vostro problema è tabellare — lì vincono strumenti più semplici — né se addestrate su TPU, dove il ponte è rimasto indietro.

Le tre cose da portare via, se ne resta spazio solo per tre. Primo: il framework è la parte facile. Le decisioni che determinano il risultato sono i dati, dove gira l'inferenza e chi presidia il sistema dopo la consegna. Secondo: due componenti storici non ci sono più — TorchServe è archiviato senza patch di sicurezza e TorchScript è deprecato — e chi li ha in produzione ha un lavoro da pianificare adesso. Terzo: i checkpoint sono codice eseguibile. PyTorch aggiornato, safetensors per tutto, e nessun motore di inferenza esposto in rete senza autenticazione davanti: sono tre regole brevi che evitano l'incidente più probabile di questo stack.

Se stai valutando come portare il machine learning dentro la tua azienda, o hai modelli da addestrare, da mettere in produzione o da mettere in sicurezza, su FreelanceWWW trovi professionisti che lavorano su pipeline di dati, adattamento di modelli aperti e messa in esercizio: pubblica il tuo progetto e ricevi le offerte dai freelance che quel lavoro lo hanno già fatto. Se stai confrontando gli strumenti, leggi anche la nostra guida a TensorFlow e quelle su il freelance Python per l'intelligenza artificiale e su che cosa fa un freelance Python.

Introduzione a PyTorch e alla costruzione di modelli di machine learning 2026