---
title: "Riconoscere il cibo non è pesarlo: i Vision LLM alla prova"
description: "Intelligenza artificiale e nutrizione: uno studio su Nutrients misura i Vision LLM su 200 foto di pasti reali. Riconoscono il cibo, pesarlo è più difficile."
url: "https://www.fastal.it/it/blog/2026-11-ai-nutrizione-benchmark-vision-llm/"
lang: "it"
published: "2026-11-03"
author: "Stefano Capezzone"
tags: ["Intelligenza Artificiale", "Vision LLM", "Digital Health", "Nutrizione digitale", "Benchmark", "Open Source"]
sources: ["https://doi.org/10.3390/nu18213582", "https://github.com/Metabolic-Intelligence-Lab/vlm-food-benchmark", "https://www.metabolicintelligence.org/", "https://www.newswise.com/articles/developed-the-world-s-first-quantum-metabolic-avatar-a-digital-twin-of-human-metabolism-powered-by-quantum-algorithms", "https://byo-me.it/", "https://ollama.com/"]
---

Scattiamo una foto al vassoio della mensa: un modello di intelligenza artificiale sa dirci che cosa stiamo mangiando, ma sa anche dirci quanti grammi ce ne sono? È la domanda a cui risponde uno studio pubblicato il 29 ottobre 2026 sulla rivista scientifica *Nutrients* ([DOI 10.3390/nu18213582](https://doi.org/10.3390/nu18213582)), che mette alla prova i **Vision-Language Models (VLM)** — i modelli che leggono un'immagine e ne descrivono il contenuto in linguaggio naturale — su 200 fotografie di pasti reali, con 870 alimenti pesati uno per uno sulla bilancia.

La risposta è netta: i migliori modelli riconoscono gran parte degli alimenti, ma nella stima delle porzioni nessuno fa meglio di una regola banale, assegnare a ogni cibo il peso della sua porzione tipica. Lo studio, firmato da ricercatori del Metabolic Intelligence Lab dell'Università Cattolica del Sacro Cuore e da autori di due imprese, tra cui chi scrive, fa parte di un progetto più ampio: una piattaforma basata sull'IA per la medicina di precisione nel campo della nutrizione. Fastal ha messo a disposizione l'infrastruttura su cui sono stati eseguiti i modelli open-source e la consulenza sulle tecnologie LLM, ed è tra i partner tecnologici del progetto [Quantum Metabolic Avatar](https://www.newswise.com/articles/developed-the-world-s-first-quantum-metabolic-avatar-a-digital-twin-of-human-metabolism-powered-by-quantum-algorithms) e di [BYO-Me](https://byo-me.it/), l'assistente nutrizionale basato sull'IA da poco disponibile come app per Android e iOS.

## In sintesi

| Domanda | Risposta | Dove nel paper |
|---|---|---|
| Che cosa è stato misurato? | Riconoscimento degli alimenti e stima del peso delle porzioni da una singola foto | Sez. 2 |
| Su quali dati? | 200 foto scattate con lo smartphone da 6 partecipanti, 870 alimenti pesati con bilancia da cucina | Sez. 2.1 |
| Quali modelli? | 26 configurazioni di 17 modelli open-source, più 5 modelli proprietari come riferimento | Tab. 1, Sez. 2.2.5 |
| Miglior riconoscimento open-source | Qwen2.5-VL 7B, F1 = 0,68 | Tab. 2 |
| Miglior stima delle porzioni open-source | Qwen3.5 9B, NMAE = 70 g | Tab. 2 |
| Miglior modello in assoluto | GPT-4o, F1 = 0,77 e NMAE = 58 g | Tab. 2 |
| I modelli sanno pesare il cibo? | Non meglio di chi assegna a ogni alimento la sua porzione tipica (errore medio 35 g) | Sez. 3, Tab. 3 |

## Perché riconoscere e pesare il cibo è difficile

Tenere un diario alimentare è faticoso, e chi lo fa tende a sottostimare quello che mangia: è uno dei limiti noti dei metodi di autovalutazione. Fotografare il piatto e lasciare che un'applicazione compili il diario al posto nostro è un'idea che circola da anni. I modelli multimodali l'hanno resa per la prima volta praticabile, aprendo la strada alla prima versione pubblica dell'app BYO-Me, da poco disponibile per iPhone e Android.

Il compito contiene due problemi diversi. Il primo è **riconoscere**: affermare che nel piatto ci sono pasta con il radicchio, zucchine e una mela. È un problema di classificazione, e i modelli moderni ci riescono sempre meglio. Il secondo è **quantificare**: stimare che quella pasta pesa 262 grammi. Da una singola foto bidimensionale, senza un oggetto di riferimento per la scala e senza informazioni sulla profondità, l'altezza di un mucchio di riso o il livello dell'acqua in un bicchiere trasparente sono intrinsecamente ambigui.

Per un'applicazione nutrizionale il problema che conta è proprio il secondo: calorie e nutrienti dipendono dai grammi, non dal nome del piatto.

Per questo, prima di avviare l'implementazione della piattaforma BYO-Me, è stata condotta una ricerca approfondita, che ha dato vita a un paper sottoposto a revisione tra pari e pubblicato sulla rivista *Nutrients*.

## Come è stata condotta la ricerca

Il dataset è stato costruito ad hoc. Sei partecipanti hanno fotografato con il proprio smartphone i pasti consumati, per lo più alla mensa universitaria (166 immagini) e in parte a casa (34 immagini), senza un protocollo di scatto imposto, simulando il comportamento previsto per i futuri utenti e pazienti. Ogni alimento visibile è stato **pesato con una bilancia da cucina** al netto della tara del piatto: 870 alimenti in tutto, da uno a sette per foto, con un peso mediano di 129 grammi.

Sono stati valutati 17 modelli open-source in 26 configurazioni di dimensioni diverse, tutti sotto i 25 miliardi di parametri e i 15 GB, eseguiti in locale sull'infrastruttura di Fastal con il framework [Ollama](https://ollama.com/). Come riferimento sono stati usati cinque modelli proprietari di frontiera: GPT-4o, GPT-4.1, GPT-5.2 e GPT-5.5 di OpenAI e Claude Sonnet 5 di Anthropic.

Due metriche guidano la lettura dei risultati:

- **F1** misura il riconoscimento: combina quanti alimenti reali il modello ha trovato e quanti di quelli che ha nominato esistono davvero nel piatto. Vale 1 se il modello elenca esattamente gli alimenti presenti, senza ometterne nessuno e senza inventarne di inesistenti, le cosiddette *allucinazioni*.
- **NMAE** misura l'errore sul peso, in grammi, e penalizza anche gli alimenti che il modello non ha riconosciuto. Va quindi oltre l'errore medio sui soli alimenti trovati: un modello che ne individua pochi, ma li pesa bene, non ottiene comunque un buon punteggio.

Poiché un modello può scrivere «spinaci lessi» dove l'etichetta dice «spinaci cotti», l'abbinamento tra risposta ed etichetta è affidato a un sistema di confronto semantico, a sua volta **validato con tre valutatori umani** su 300 coppie di esempio. Tutti i risultati sono riportati con intervalli di confidenza calcolati con il bootstrap sulle immagini e con ripetizioni indipendenti delle prove.

## I risultati più importanti

### Qwen2.5-VL 7B guida il riconoscimento open-source

Nel benchmark pubblicato su *Nutrients*, Qwen2.5-VL 7B ottiene il miglior riconoscimento tra i modelli open-source, con F1 = 0,68 (intervallo di confidenza al 95%: 0,66–0,71), davanti a ogni altro modello aperto in praticamente tutti i ricampionamenti. Seguono Qwen3.5 9B e MiniCPM-V 4.5, entrambi a 0,65. Tra i proprietari il migliore è GPT-4o con 0,77.

Un F1 di 0,68 non significa che il 68% dei pasti sia stato riconosciuto perfettamente. Gli autori stimano che tra il 70 e l'81% degli abbinamenti accettati corrisponda allo stesso alimento, mentre gli altri sono alimenti simili o, in una quota minore, diversi. Contando solo le corrispondenze esatte, l'F1 di Qwen2.5-VL 7B scende a 0,56 e quello di GPT-4o a 0,59, ma la classifica resta invariata. I valori assoluti vanno quindi letti come limite superiore; il confronto tra modelli invece è solido.

![Grafico a barre orizzontali dell'F1 con intervallo di confidenza al 95%. Open-source: Qwen2.5-VL 7B 0,68, Qwen3.5 9B 0,65, MiniCPM-V 4.5 0,65, Qwen3.5 4B 0,62, Llama 3.2-Vision 0,60, Mistral Small 3.1 0,55, Gemma 4 12B 0,53. Proprietari, i modelli OpenAI in ordine di uscita: GPT-4o 0,77, GPT-4.1 0,75, GPT-5.2 0,67, GPT-5.5 0,66; Claude Sonnet 5 0,71.](/images/blog/ai-nutrizione-riconoscimento-it.svg "Figura 1 — Il riconoscimento degli alimenti: i sette migliori modelli open-source e i cinque proprietari di riferimento. Nei modelli OpenAI l'F1 cala a ogni generazione.")

### La stima delle porzioni resta la sfida più difficile

Sul peso, il miglior modello open-source è Qwen3.5 9B, con un NMAE di 70 grammi; GPT-4o scende a 58. Il dato più istruttivo però è un altro. I ricercatori hanno costruito un predittore di riferimento che non guarda la foto: conosce già quale alimento c'è nel piatto e gli assegna il peso tipico di quell'alimento nel resto del dataset. Il suo errore medio è di **35 grammi**, e **nessun modello fa meglio** sugli alimenti che riconosce: GPT-4o arriva a pari merito, 35 grammi, Qwen3.5 9B a 41.

In altre parole, in questo dataset le stime dei modelli sono al massimo paragonabili a quelle di chi conosce le porzioni abituali della mensa. I modelli non sono del tutto ciechi alle dimensioni: per i migliori, la stima cresce, debolmente, con il peso reale della porzione. Ma quell'informazione visiva non è ancora abbastanza precisa da aggiungere qualcosa a ciò che il solo nome del cibo già suggerisce. Gli errori hanno anche una forma riconoscibile: tutti i modelli sottostimano le porzioni più grandi, e l'acqua, che pesa in mediana circa 330 grammi, viene stimata quasi sempre 200 o 250, la capienza di un bicchiere standard.

![Grafico a punti con undici modelli. Per ciascuno, l'errore medio della stima del modello e quello della porzione tipica sugli stessi alimenti: GPT-4o 35 contro 33 grammi, Claude Sonnet 5 39 contro 33, Qwen3.5 9B 41 contro 35, GPT-5.5 42 contro 33, GPT-4.1 44 contro 34, Qwen3.5 4B 44 contro 34, GPT-5.2 45 contro 34, MiniCPM-V 4.5 47 contro 35, Mistral Small 3.1 48 contro 39, Gemma 4 12B 51 contro 33, Qwen2.5-VL 7B 54 contro 37.](/images/blog/ai-nutrizione-porzioni-it.svg "Figura 2 — L'errore sul peso, confrontato sugli stessi alimenti con la porzione tipica: in nessuna riga il modello fa meglio.")

### Più recente non significa automaticamente migliore

Il risultato meno intuitivo riguarda le generazioni dei modelli. Tra i proprietari di OpenAI l'ordine nel riconoscimento è inverso alla data di uscita: GPT-4o 0,77, GPT-4.1 0,75, GPT-5.2 0,67, GPT-5.5 0,66, con differenze molto superiori alla variabilità tra una prova e l'altra. Gli autori individuano la causa principale nella tendenza dei modelli più recenti a scomporre il piatto in più voci di quante ne abbia annotate un nutrizionista, ad esempio «rigatoni», «olive nere» e «pomodorini» al posto di «pasta con tonno, olive e pomodoro». Più voci non abbinate significano una precisione più bassa.

Sulle porzioni, al contrario, le nuove generazioni migliorano: tra Qwen2.5-VL 7B e Qwen3.5 9B l'errore medio sugli alimenti riconosciuti scende da 54 a 41 grammi, circa il 25% in meno. E tra i modelli open-source l'ordine nel riconoscimento dipende dal metodo di valutazione: con un secondo giudice, un LLM che non usa soglie di somiglianza, i successori raggiungono o superano Qwen2.5-VL 7B. La conclusione pratica degli autori è che il modello più nuovo non è necessariamente la scelta migliore, e che la scelta va verificata sul compito specifico.

## Il contributo di Fastal e la collaborazione

Fastal ha preso parte al progetto come partner tecnologico. Ha fornito l'**infrastruttura IT** su cui sono stati ospitati i modelli open-source e gli strumenti della sperimentazione, e la **consulenza sulle tecnologie LLM** e sui framework software collegati. È il lavoro che rende possibile un benchmark di queste dimensioni: decine di configurazioni, sei temperature di campionamento, prove ripetute, ognuna sulle stesse 200 immagini e con versioni dei modelli registrate, perché i risultati siano riproducibili.

Per trasparenza: chi scrive, Stefano Capezzone, amministratore e cofondatore di Fastal, è tra gli autori del paper. Le scelte di disegno dello studio, l'analisi e l'interpretazione dei risultati sono responsabilità degli autori.

La ricerca è guidata dal Metabolic Intelligence Lab dell'Università Cattolica del Sacro Cuore, diretto dal prof. Giuseppe Maulucci, ed è finanziata da un grant dell'Ateneo. È un esempio di come le competenze accademiche sulla nutrizione e sulla validazione scientifica e quelle industriali sull'impiego dei modelli possano lavorare sullo stesso problema.

## Cosa significa per la Digital Health e per chi sviluppa AI

Per chi progetta applicazioni di nutrizione digitale, lo studio indica dove i modelli generici sono già utili e dove no. Compilare automaticamente l'elenco di ciò che c'è nel piatto è un obiettivo realistico; ricavarne i grammi da una sola foto, con la precisione richiesta da un uso clinico, non lo è ancora. Le strade indicate dagli autori sono il fine-tuning dei modelli open-source su dati alimentari, l'uso di riferimenti di scala o di informazioni di profondità e l'integrazione con modelli di stima tridimensionale.

Il messaggio vale anche fuori dalla nutrizione, ed è lo stesso che emerge dal nostro lavoro sulla [Document Intelligence con Vision LLM e OCR](/it/blog/2026-09-vision-llm-ocr-kyc-aml/). La differenza tra un prototipo convincente e un sistema affidabile sta nella valutazione: dati reali e pertinenti al caso d'uso, metriche che non nascondano gli errori, una verifica umana del modo stesso in cui si misura. Una classifica generica non dice quale modello funzionerà sul proprio problema.

C'è poi un aspetto infrastrutturale. Tutti i modelli open-source del benchmark stanno sotto i 15 GB e girano in locale. Lo studio non misura costi né latenza, ma ricorda che modelli di queste dimensioni possono essere eseguiti on-premise o sul dispositivo, senza inviare a servizi esterni le fotografie di ciò che una persona mangia: un tema che abbiamo esplorato anche [portando un LLM su un Raspberry Pi](/it/blog/2025-10-linux-day-llm/).

## Domande frequenti

### Un Vision LLM può riconoscere gli alimenti in una fotografia?

Sì, con prestazioni che variano molto da un modello all'altro. Nel benchmark pubblicato su *Nutrients* nel 2026, su 200 foto di pasti reali, il miglior modello open-source, Qwen2.5-VL 7B, ottiene F1 = 0,68 e il miglior proprietario, GPT-4o, 0,77. I valori dipendono dal criterio con cui si decide che la risposta del modello corrisponde all'alimento reale: contando solo le corrispondenze esatte scendono rispettivamente a 0,56 e 0,59.

### Può misurare con precisione il peso di una porzione da una sola foto?

Non in modo affidabile. Nello studio nessun modello stima il peso degli alimenti riconosciuti meglio di un predittore che conosce già l'alimento e gli assegna la sua porzione tipica, con un errore medio di 35 grammi. Tutti i modelli sottostimano le porzioni più grandi. Gli autori sottolineano che una stima ricavata da una foto non equivale a una misura fisica.

### Quale modello open-source è risultato migliore?

Dipende dal compito. Nel riconoscimento il migliore è Qwen2.5-VL 7B (F1 = 0,68); nella stima delle porzioni è Qwen3.5 9B (NMAE = 70 grammi), che però elenca più alimenti inesistenti e perde il primato quando si penalizzano anche quelli. Tra le 26 configurazioni open-source valutate, nessuna eguaglia GPT-4o su entrambi i compiti.

### Qual è stato il ruolo di Fastal nella ricerca?

Fastal ha fornito l'infrastruttura IT su cui sono stati ospitati i modelli open-source e gli strumenti della sperimentazione, e la consulenza sulle tecnologie LLM e sui framework collegati. Il disegno dello studio, l'analisi e l'interpretazione dei risultati sono degli autori, tra i quali figura l'amministratore di Fastal, Stefano Capezzone.

## Ricerca aperta e prospettive

Il dataset e il codice sono pubblici nel [repository del Metabolic Intelligence Lab](https://github.com/Metabolic-Intelligence-Lab/vlm-food-benchmark): le 200 fotografie, le 870 annotazioni, le risposte grezze di ogni modello e l'intera pipeline di analisi, con licenza MIT per il codice e CC BY 4.0 per i dati. Chiunque può rifare i conti o valutare un nuovo modello sullo stesso banco di prova.

I limiti sono dichiarati dagli stessi autori. Il dataset viene da una sola mensa e da una sola cucina, quella italiana, con porzioni standardizzate che rendono la «porzione tipica» un riferimento particolarmente forte; sui pasti preparati in casa tutti i modelli rendono meno. Lo studio non è una validazione clinica e non misura calorie o nutrienti. I passi successivi sono un dataset più ampio, con più cucine e più contesti, e la specializzazione dei modelli open-source sul dominio alimentare.

**Fonte scientifica.** Marchetti, T.; Capezzone, S.; Esposito, R.; De Spirito, M.; Maulucci, G. *Benchmarking Open-Source Vision–Language Models for Food Image Recognition and Portion Size Estimation.* Nutrients 2026, 18(21), 3582. [https://doi.org/10.3390/nu18213582](https://doi.org/10.3390/nu18213582)

*Articolo redatto a partire da una pubblicazione scientifica peer-reviewed: risultati e interpretazioni si riferiscono allo specifico benchmark.*

Per approfondire, [leggi lo studio completo su Nutrients](https://doi.org/10.3390/nu18213582) oppure scopri come affrontiamo i progetti di [intelligenza artificiale](/it/servizi/intelligenza-artificiale/).