# NormTune migliora il fine-tuning economico per matematica e ragionamento

> I ricercatori aggiungono un passaggio guidato dalle norme al fine-tuning efficiente in termini di parametri, riducendo il divario rispetto al fine-tuning completo in diversi benchmark di ragionamento.

Oossa · 2026-10-22 · https://oossa.com/it/normtune-improves-cheap-fine-tuning-for-math-and-reasoning-tasks

L’articolo NormTune propone una semplice aggiunta al fine-tuning efficiente in termini di parametri (PEFT). Il metodo misura quanto cambiano i pesi di ciascun layer e potenzia quelli che cambiano troppo poco. Integrando NormTune in metodi PEFT esistenti come LoRA, Bone e MoRA, la precisione media è aumentata fino al 24 % in difficili test di ragionamento come AIME e MATH. Con un rank più elevato (256), i metodi potenziati da NormTune hanno eguagliato le prestazioni del fine-tuning completo, talvolta superandole di qualche punto percentuale.

## I fatti

- NormTune ha aumentato del 24.24% in media le prestazioni di LoRA con rank 8 su AIME 2024, MATH 500, GPQA e AIME 2025.
- Pubblicato il 2026-10-22 (arXiv:2610.29134).

## Perché conta

Consente a ricercatori e sviluppatori di ottenere nei compiti di ragionamento una precisione vicina a quella del modello completo, usando molto meno tempo GPU e memoria.

## Fonti e riferimenti

1. [NormTune: Norm-Guided Parameter-Efficient Fine-Tuning for Reasoning-Intensive Tasks](https://arxiv.org/abs/2610.29134) – arXiv, 2026-10-22

Ultimo aggiornamento: 2026-10-22