LLM Benchmark di Latenza per Casi d'Uso
L'efficacia dei modelli linguistici di grandi dimensioni (LLMs) è determinata non solo dalla loro accuratezza e capacità, ma anche dalla velocità con cui interagiscono con gli utenti.
Abbiamo misurato le prestazioni dei principali modelli linguistici in vari casi d'uso, misurando i loro tempi di risposta all'input dell'utente. Ci siamo concentrati su due metriche chiave: Latenza del Primo Token, il tempo impiegato dal modello per iniziare a generare il primo token di una risposta, e Latenza per Token, il tempo impiegato per generare ciascun token durante la risposta.
LLM benchmark di latenza
Puoi trovare i dettagli su come abbiamo misurato la latenza qui.
Risultati del benchmark di latenza del tempo al primo token
Il tempo al primo token (TTFT) misura il tempo che un modello impiega per generare il suo primo token dopo aver ricevuto un prompt, riflettendo la rapidità con cui inizia a rispondere.
Quando i risultati vengono generalizzati su tutti i casi d'uso valutati, Mistral Large 2512 e GPT-5.2 raggiungono costantemente latenze del primo token inferiori al secondo, indicando un comportamento di risposta iniziale molto rapido.
Claude 4.5 Sonnet mostra una latenza del primo token notevolmente più alta ma comunque stabile, collocandosi in una fascia intermedia. Al contrario, Grok 4.1 Fast Reasoning e DeepSeek V3.2 mostrano ritardi significativamente più lunghi prima di produrre il primo token, con questo modello che rimane coerente tra i vari compiti.
Risultati del benchmark di latenza per token
La latenza per token misura il tempo medio necessario per generare ciascun token successivo dopo il primo, riflettendo la velocità di generazione sostenuta del modello.
Mistral Large 2512 e GPT-5.2 raggiungono costantemente latenze del primo token inferiori al secondo, indicando un comportamento di risposta iniziale molto rapido.
Claude 4.5 Sonnet mostra una latenza del primo token notevolmente più alta ma comunque stabile, collocandosi in una fascia intermedia. Al contrario, Grok 4.1 Fast Reasoning e DeepSeek V3.2 mostrano ritardi significativamente più lunghi prima di produrre il primo token, con questo modello che rimane coerente tra i vari compiti.
LLM confronto di velocità per caso d'uso
Osserviamo che le variazioni di latenza dipendono dal tipo di compito, indicando che questi modelli mostrano profili di prestazione diversi tra i vari casi d'uso.
Q&A
Negli scenari di Q&A, come l'assistenza clienti, gli assistenti virtuali e gli strumenti di conoscenza aziendale, la velocità e i tempi di risposta influenzano direttamente l'esperienza utente.
- Mistral Large 2512 offre la risposta iniziale più rapida, con una latenza del primo token di 0,30 secondi, rendendolo ideale per sistemi di supporto dal vivo che richiedono risposte immediate. La sua latenza per token di 0,025 secondi offre un'eccellente efficienza per generare risposte di qualsiasi lunghezza.
- GPT-5.2 segue da vicino con una latenza del primo token di 0,60 secondi e una latenza per token di 0,020 secondi. Sebbene leggermente più lento all'avvio, la sua minore latenza per token lo rende altamente efficiente per risposte più lunghe e dettagliate.
- Claude 4.5 Sonnet, con una latenza del primo token di 2 secondi e una latenza per token di 0,030 secondi, mostra una reattività iniziale moderata. Il ritardo prima del primo token può influenzare le interazioni in tempo reale, sebbene la sua velocità di generazione costante mantenga prestazioni complessive ragionevoli.
- Grok 4.1 Fast Reasoning ha una latenza del primo token di 3 secondi e un'eccellente latenza per token di 0,010 secondi. Nonostante l'avvio più lento, una volta iniziata la generazione, produce token estremamente rapidamente, rendendolo adatto per applicazioni in cui il tempo totale di generazione conta più della risposta immediata.
- DeepSeek V3.2, con una latenza del primo token di 7 secondi e una latenza per token di 0,032 secondi, è il modello più lento in assoluto. L'attesa significativa prima del primo token lo rende meno adatto per sistemi di Q&A critici in termini di velocità.
Generazione di riepiloghi
Il caso d'uso della generazione di riepiloghi svolge un ruolo critico nelle applicazioni in cui gli utenti devono comprendere rapidamente testi lunghi. Ad esempio, negli scenari in cui i team di assistenza clienti devono riassumere una registrazione di chiamata in pochi secondi e agire, la latenza del primo token influisce direttamente sull'esperienza utente.
- Mistral Large 2512 è in testa con una latenza del primo token di 0,45 secondi e una latenza per token di 0,025 secondi, rendendolo un'opzione efficace per scenari che richiedono un rapido riassunto dei documenti.
- GPT-5.2 segue con una latenza del primo token di 0,60 secondi e la latenza per token più rapida a 0,020 secondi, consentendogli di mantenere la velocità anche con contenuti più lunghi.
- Claude 4.5 Sonnet ha una risposta iniziale più lenta, con una latenza del primo token di 2 secondi. Tuttavia, la sua latenza per token di 0,030 secondi offre comunque prestazioni complessive decenti per i compiti di riassunto.
- Grok 4.1 Fast Reasoning mostra una latenza del primo token di 4 secondi ma compensa con un'eccellente latenza per token di 0,010 secondi, rendendolo efficiente una volta iniziata la generazione.
- DeepSeek V3.2 si distingue come il modello più lento, con una latenza del primo token di 7,5 secondi e una latenza per token di 0,025 secondi.
Traduzione linguistica
In base al nostro benchmark, i compiti di traduzione rivelano interessanti compromessi prestazionali tra tempo di risposta iniziale e velocità di generazione sostenuta.
- Mistral Large 2512 offre la risposta iniziale più rapida, con una latenza del primo token di 0,40 secondi e una latenza per token di 0,020 secondi, rendendolo ideale per scenari di traduzione in tempo reale.
- GPT-5.2 parte a 0,55 secondi con la latenza per token più bassa di 0,010 secondi, offrendo un'efficienza eccezionale per traduzioni più lunghe una volta iniziata la generazione.
- Claude 4.5 Sonnet, con una latenza del primo token di 2 secondi e una latenza per token di 0,015 secondi, bilancia una reattività iniziale moderata con una forte velocità di generazione sostenuta.
- Grok 4.1 Fast Reasoning ha una latenza del primo token di 6 secondi. Tuttavia, mantiene un'eccellente latenza per token di 0,005 secondi, la più rapida in questa categoria, rendendolo altamente efficiente per compiti di traduzione batch.
- DeepSeek V3.2 mostra la latenza del primo token più alta a 7,5 secondi, con una latenza per token di 0,025 secondi, limitando la sua applicabilità nei flussi di lavoro di traduzione sensibili al tempo.
Analisi aziendale
In base ai risultati osservati nel caso d'uso dell'Analisi Aziendale, i modelli mostrano profili di prestazione vari adatti a diversi scenari analitici.
- Mistral Large 2512 offre una forte risposta iniziale, con una latenza del primo token di 0,40 secondi, sebbene la sua latenza per token di 0,040 secondi sia più alta rispetto ad altri casi d'uso. Rimane adatto per compiti di analisi aziendale di routine.
- GPT-5.2 parte a 0,50 secondi con una latenza per token di 0,020 secondi, rendendolo adatto per compiti di analisi aziendale che richiedono sia avvii rapidi che output più lunghi ed efficienti, come report giornalieri o dashboard.
- Claude 4.5 Sonnet risponde con una latenza del primo token di 2 secondi e una latenza per token di 0,035 secondi. Sebbene il ritardo iniziale possa causare rallentamenti nei flussi di lavoro in tempo reale, offre una velocità di output costante per revisioni di dati batch o report programmati.
- Grok 4.1 Fast Reasoning mostra una latenza del primo token di 4 secondi ma mantiene un'eccellente efficienza per token a 0,010 secondi, rendendolo efficace per report analitici completi in cui il tempo totale di completamento conta più della risposta immediata.
- DeepSeek V3.2 è stato il modello più lento con una latenza del primo token di 8 secondi e una latenza per token di 0,030 secondi, rendendolo meno adatto per scenari di analisi aziendale sensibili al tempo.
Programmazione
I compiti di programmazione rivelano caratteristiche prestazionali distinte, con modelli ottimizzati per diversi aspetti della generazione di codice.
- Mistral Large 2512 ha avuto la latenza del primo token più bassa a 0,30 secondi, con una latenza per token di 0,025 secondi, rendendolo il modello più veloce per iniziare a generare codice e mantenere un buon throughput per tutto il processo.
- GPT-5.2 ha seguito con una latenza del primo token di 0,50 secondi e la migliore latenza per token a 0,015 secondi. Questa combinazione consente a GPT-5.2 di recuperare rapidamente dopo un avvio leggermente più lento, rendendolo altamente efficiente nella gestione di compiti di programmazione più lunghi o complessi in cui la velocità sostenuta di generazione dei token è importante.
- Claude 4.5 Sonnet, con una latenza del primo token di 2 secondi e una latenza per token di 0,028 secondi, ha dimostrato una reattività moderata. Sebbene non sia il più veloce all'avvio, mantiene una velocità di generazione ragionevole per i flussi di lavoro di programmazione tipici.
- Grok 4.1 Fast Reasoning ha avuto una latenza del primo token di 11 secondi, ma la latenza per token più rapida è stata di 0,005 secondi. Nonostante il significativo ritardo iniziale, una volta iniziata la generazione, produce codice estremamente rapidamente, rendendolo potenzialmente adatto per compiti di generazione di codice batch.
- DeepSeek V3.2 ha avuto la latenza del primo token più alta a 19 secondi, con una latenza per token di 0,030 secondi, rendendolo il più lento del gruppo per i compiti di programmazione e limitando la sua applicabilità negli ambienti di sviluppo interattivi in cui un feedback immediato è essenziale.
LLM ragionamento e il suo effetto sulla velocità
I modelli di ragionamento impiegano più tempo ad avviarsi perché si impegnano in un'elaborazione a catena di pensiero, "riflettono" sul problema passo dopo passo internamente prima di produrre una risposta. Questo ragionamento interno aggiuntivo causa il ritardo iniziale.
Il motivo di questo avvio più lento è che questi modelli non si limitano a generare testo; eseguono prima un'analisi più approfondita e un'inferenza logica, che richiede tempo di calcolo aggiuntivo. Questo "pensiero" interno porta a output più accurati e ponderati.
Ad esempio, nel nostro benchmark, Grok 4.1 Fast Reasoning ha mostrato un Tempo al Primo Token più elevato rispetto ai modelli generativi più semplici perché dedica più tempo al ragionamento interno. Nonostante l'avvio più lento, la qualità e la precisione delle sue risposte erano significativamente migliori.
Cos'è la latenza LLM e perché è importante?
La latenza LLM si riferisce al tempo impiegato da un large language model per generare una risposta dopo aver ricevuto l'input dell'utente. Nella pratica, la latenza non è un singolo numero ma un insieme di misurazioni di latenza che descrivono la rapidità con cui un sistema reagisce e completa la generazione dell'output.
Una delle distinzioni più importanti è la latenza end-to-end (latenza E2E). La latenza E2E misura il tempo totale dal momento in cui il server riceve una richiesta a quando completa l'invio della risposta, incluso il token finale. Questo valore riflette il tempo di attesa completo sperimentato dall'utente ed è strettamente correlato a ciò che gli utenti percepiscono come reattività.
La latenza è comunemente suddivisa in metriche chiave come:
- Tempo al primo token (TTFT) o latenza del primo token, che cattura quanto tempo passa prima che il modello inizi a generare output
- Latenza inter-token (ITL), che misura il ritardo tra i token generati durante la risposta
- Tempo totale di generazione, che va dall'invio del prompt al completamento della risposta
Una bassa latenza è critica nelle applicazioni interattive come chatbot, assistenti di programmazione e strumenti di assistenza clienti. Un'alta latenza può interrompere il flusso naturale dell'interazione, ridurre il coinvolgimento e influenzare negativamente la soddisfazione dell'utente. Nel tempo, una latenza costantemente elevata può anche limitare l'adozione di soluzioni basate sull'IA, specialmente in casi d'uso in tempo reale o rivolti ai clienti.
Perché è importante se la latenza LLM è alta o bassa per l'esperienza utente?
L'impatto della latenza sull'esperienza utente va oltre il semplice inconveniente. Gli utenti percepiscono i tempi di risposta in modo diverso a seconda del contesto, della complessità della richiesta e delle aspettative stabilite dall'applicazione. Un breve ritardo può essere accettabile per compiti di ragionamento complessi, mentre anche piccoli ritardi possono risultare fastidiosi nelle interfacce conversazionali.
- Le risposte ritardate possono interrompere il flusso conversazionale nei sistemi di IA interattivi.
- Tempi di risposta coerenti spesso portano a una maggiore soddisfazione dell'utente rispetto a quelli altamente variabili.
- Una velocità di risposta leggermente più lenta ma più prevedibile è spesso preferita a risposte occasionalmente rapide alternate a lunghi ritardi.
Questo aspetto psicologico dell'attesa spiega perché la reattività percepita conta tanto quanto i tempi di risposta grezzi. In molti casi, mantenere prestazioni costanti è più importante che raggiungere la latenza più bassa possibile per una singola richiesta.
Aggiungi come fonte preferitaFattori che influenzano la latenza LLM
La latenza LLM varia in base a diversi fattori tecnici e operativi. Comprendere questi fattori chiave aiuta i team a identificare i colli di bottiglia delle prestazioni e ad applicare strategie mirate di ottimizzazione della latenza.
Dimensioni e configurazione del modello
Le dimensioni del modello influenzano direttamente la velocità di elaborazione. I modelli più grandi richiedono in genere più risorse di calcolo e più tempo per elaborare gli stessi token di input. Sebbene i modelli più grandi possano offrire una migliore qualità di output, spesso aumentano la latenza del primo token e la latenza complessiva dei token.
Le considerazioni importanti includono:
- Dimensioni del modello e architettura interna
- Configurazioni del modello, come la lunghezza della finestra di contesto
- Compromessi tra qualità della risposta e bassa latenza
Selezionare un modello che sia in linea con i requisiti prestazionali dell'applicazione è una parte centrale dell'ottimizzazione del modello.
Hardware e architettura di sistema
L'hardware svolge un ruolo critico nel determinare i tempi di risposta. GPU potenti o acceleratori di IA possono ridurre significativamente il tempo di calcolo, abbassando la latenza sia del TTFT che della latenza inter-token. I fattori chiave includono:
- Utilizzo e disponibilità della GPU
- Larghezza di banda della memoria ed efficienza del trasferimento dati
- Architettura complessiva del sistema e risorse di calcolo
Il throughput di sistema, tipicamente misurato in token al secondo (TPS), indica quanto output un sistema può generare sotto carico concorrente. Metriche di throughput elevate sono essenziali per gestire richieste multiple senza degradare i tempi di risposta.
Concorrenza, batching e carico di sistema
La latenza si comporta diversamente negli scenari a richiesta singola e in quelli a richieste concorrenti. Sebbene il batching possa migliorare il throughput, può anche introdurre ritardi di accodamento che aumentano il tempo di risposta iniziale.
I fattori che influenzano la latenza in questo caso includono:
- Numero di richieste concorrenti
- Politiche di batching e schedulazione
- Carico attuale del sistema e modelli di utilizzo
I sistemi ottimizzati solo per il throughput possono sperimentare un'alta latenza durante i picchi di utilizzo, anche se le prestazioni medie sembrano accettabili.
Effetti di rete e deployment
La latenza di rete può aggiungere ritardi significativi, specialmente nei sistemi distribuiti o basati su cloud. La comunicazione tra servizi, regioni e utenti contribuisce alla latenza end-to-end complessiva.
Gli avvii a freddo sono un altro fattore critico. Quando i modelli vengono scalati a zero durante i periodi di inattività, la prima richiesta deve attendere il caricamento del modello, il che può aumentare significativamente la latenza. Gli effetti dell'avvio a freddo possono distorcere misurazioni accurate della latenza se non vengono considerati separatamente dalle prestazioni a regime.
Strategie per ridurre la latenza LLM
Ridurre la latenza richiede cambiamenti coordinati tra modelli, infrastruttura e progettazione dell'applicazione. Un'ottimizzazione efficace della latenza si concentra sia sulla reattività effettiva che su quella percepita.
Approcci di ottimizzazione del modello
Le tecniche di ottimizzazione del modello mirano a migliorare la velocità di elaborazione mantenendo una qualità di risposta accettabile. I metodi comuni includono:
- Quantizzazione e potatura per ridurre le dimensioni del modello
- Fine-tuning di modelli più piccoli per compiti specifici
- Regolazione delle configurazioni del modello per dare priorità alla bassa latenza
L'ottimizzazione dei processi del modello può ridurre significativamente la latenza e abbassare i costi operativi.
Progettazione dei prompt ed efficienza dei token
La progettazione dei prompt influisce direttamente sulla latenza. Prompt più lunghi aumentano il numero di token di input che il modello deve elaborare, rallentando sia il TTFT che la generazione dell'output.
Le migliori pratiche includono:
- Utilizzare solo il contesto rilevante
- Ridurre la complessità dei prompt e le istruzioni non necessarie
- Limitare i token generati quando non è richiesta una risposta completa
Streaming, caching e gestione delle risposte
Le tecniche di risposta in streaming consentono al modello di iniziare a generare output non appena il primo token è pronto, anziché attendere il token finale. Ciò migliora la reattività percepita anche quando il tempo totale di generazione rimane invariato.
Le tecniche aggiuntive includono:
- Caching delle risposte per query ripetute o identiche
- Caching semantico per prompt simili con intento sovrapposto
- Ottimizzazione dell'infrastruttura e del throughput
La messa a punto dell'infrastruttura è essenziale per mantenere le prestazioni su scala. Ciò include:
- Bilanciare le metriche di throughput e le misure di latenza
- Garantire risorse di calcolo sufficienti per la domanda di picco
- Ridurre i ritardi di accodamento durante le richieste concorrenti
Misurare e monitorare la latenza LLM in produzione
Misurazioni accurate della latenza sono essenziali per diagnosticare i problemi e convalidare i miglioramenti. Diversi metodi di test servono a scopi diversi:
- Test sincrono elabora una richiesta alla volta, fornendo dati di latenza puliti e isolati.
- Test asincrono simula scenari reali con più richieste simultanee, sebbene possa complicare l'isolamento delle singole latenze.
Il monitoraggio delle metriche chiave delle prestazioni aiuta i team a identificare i colli di bottiglia, tracciare le tendenze delle prestazioni e mantenere le prestazioni nel tempo. Il monitoraggio continuo è critico man mano che i modelli di utilizzo evolvono.
Gli strumenti comuni utilizzati in produzione includono:
- NVIDIA GenAI-Perf e LLMPerf per acquisire le metriche di latenza
- Prometheus e Grafana per il monitoraggio e la visualizzazione delle distribuzioni di latenza
Questi strumenti supportano l'ottimizzazione continua e aiutano a garantire prestazioni costanti sotto carichi di lavoro variabili.
Perché la coerenza conta più della sola velocità
Sebbene una bassa latenza sia essenziale, la coerenza spesso conta di più per la soddisfazione dell'utente. I sistemi con tempi di risposta altamente variabili tendono a sembrare inaffidabili, anche se alcune risposte sono veloci. Al contrario, tempi di risposta coerenti creano interazioni prevedibili e migliorano la reattività percepita.
Nelle applicazioni di IA interattive, la velocità di risposta plasma la fiducia, l'usabilità e l'adozione a lungo termine. Ottimizzare la latenza LLM non significa quindi solo minimizzare i millisecondi, ma fornire prestazioni stabili e prevedibili che siano in linea con le aspettative degli utenti.
Combinando misurazioni accurate, una progettazione attenta del sistema e un monitoraggio continuo, i team possono ridurre significativamente la latenza mantenendo prestazioni, qualità della risposta ed efficienza dei costi.
LLM metodologia del benchmark di latenza
Configurazione del benchmark
Abbiamo misurato le prestazioni di latenza di diversi LLM su cinque casi d'uso. Il benchmark è stato eseguito su un server remoto per garantire condizioni di rete coerenti. Tutti i modelli sono stati testati utilizzando le rispettive API ufficiali. Abbiamo impostato la temperatura a 0,1.
Raccolta dati
È stata eseguita una singola esecuzione con 500 domande totali (100 domande per caso d'uso). Ogni domanda è stata inviata all'endpoint API di streaming del modello e le misurazioni temporali sono state acquisite in tre punti critici:
- Richiesta inviata: Timestamp quando la richiesta API è stata avviata
- Primo token ricevuto: Timestamp quando è arrivato il primo token di risposta
- Token finale ricevuto: Timestamp quando la risposta in streaming è stata completata
Metriche
Tempo al Primo Token (TTFT)
Misura la latenza iniziale della risposta – quanto tempo impiega il modello per iniziare a generare una risposta.
Latenza per Token (PTL)
Misura il tempo medio (in millisecondi) necessario per generare ciascun token dopo la risposta iniziale.
Q&A
Abbiamo misurato i modelli su un insieme di 10 domande che coprono una varietà di argomenti fattuali e concettuali comuni in ambito tecnico, aziendale e di conoscenza generale. Questi input avevano una media di circa 13 token per prompt, rendendoli relativamente brevi.
Questo caso d'uso valuta la capacità dei modelli di generare risposte chiare, accurate e informative adatte a contesti educativi, di documentazione e di assistenza clienti. Le risposte richieste in genere implicano spiegazioni di lunghezza moderata che bilanciano dettaglio e chiarezza.
Programmazione
Abbiamo valutato i modelli su un insieme di 10 compiti di programmazione distinti, che vanno da funzioni semplici allo sviluppo di API più avanzate. Questi compiti riguardavano la generazione di frammenti di codice Python, come script di base, applicazioni web utilizzando Flask o FastAPI e script di elaborazione dati.
Questo caso d'uso valuta la capacità dei modelli di produrre codice strutturato, funzionale e coerente, che spesso richiede output più lunghi e complessi rispetto alla generazione di testo tipica. I prompt di input avevano una media di circa 20 token ciascuno, riflettendo richieste di programmazione concise ma descrittive.
Traduzione linguistica
Abbiamo misurato i modelli utilizzando un insieme di 10 diversi prompt di traduzione che coprono più lingue (spagnolo, cinese, russo) e tipi di testo, inclusi lunghi passaggi accademici, brevi frasi quotidiane, abstract scientifici, email aziendali ed estratti letterari. Questi input variavano significativamente in lunghezza e complessità, spaziando da frasi brevi di circa 10 token a testi dettagliati di più paragrafi che superano diverse centinaia di token.
Questo caso d'uso valuta la capacità dei modelli di comprendere accuratamente e riprodurre fedelmente il significato tra lingue e domini diversi, preservando sfumature, stile e contenuto tecnico. Utilizzando tipi e lunghezze di testo vari, abbiamo testato sia la qualità generale della traduzione sia la gestione da parte dei modelli di un linguaggio specializzato o formale.
Analisi aziendale
Abbiamo valutato i modelli utilizzando 10 prompt distinti di analisi aziendale, ciascuno simulando scenari decisionali reali in domini come performance di vendita, fidelizzazione dei clienti, colli di bottiglia nella catena di approvvigionamento, ROI del marketing, produttività dei dipendenti e strategia competitiva. I prompt includevano dati tabellari strutturati e domande analitiche aperte, richiedendo ai modelli di interpretare più metriche aziendali e generare insight concisi e attuabili. Gli input variavano in complessità, con una lunghezza media di input di circa 105 token.
Questo caso d'uso testa la capacità di un modello di sintetizzare dati quantitativi, applicare il ragionamento logico e comunicare raccomandazioni in modo chiaro in un contesto aziendale.
Generazione di riepiloghi
Abbiamo assegnato ai modelli il compito di produrre riepiloghi in stile accademico (~500 token) di articoli tecnici su diversi argomenti, tra cui IA nella sanità, cambiamento climatico, energia rinnovabile, blockchain, lavoro remoto, veicoli elettrici, cybersicurezza, social media, urbanizzazione e calcolo quantistico. Ogni riepilogo era strutturato in argomenti principali, idee di supporto e conclusioni, con termini chiave evidenziati e brevemente spiegati.
Questo caso d'uso testa la capacità di un modello di comprendere articoli tecnici dettagliati e generare riepiloghi chiari, strutturati e in stile accademico con spiegazioni dei termini chiave.
Cita questo benchmark
Scegli il formato adatto a dove pubblicherai. Incollare la versione con link nel tuo CMS preserva il backlink.
@misc{dilmegani2026,
author = {Dilmegani, Cem and Şipi, Nazlı},
title = {{LLM Benchmark di Latenza per Casi d'Uso}},
year = {2026},
month = jun,
howpublished = {\url{https://aimultiple.com/llm-latency-benchmark}},
note = {AIMultiple. Consultato il 10 Giugno 2026}
}
Sii il primo a commentare
Il tuo indirizzo email non verrà pubblicato. Tutti i campi sono obbligatori. I commenti vengono lasciati nella loro lingua originale.