GPAI Ledger › FastwebMIIA (Fastweb) › Capture 11 Aug 2026

FastwebMIIA — capture 20260811T103240Z

Verify: sha256sum 86ea0b5c0fccbeeff157f731fba535b55dae073e4f84156413e87f5d8c29110d.pdf must equal the hash above (the filename IS the expected hash); ots verify 86ea0b5c0fccbeeff157f731fba535b55dae073e4f84156413e87f5d8c29110d.pdf.ots -f 86ea0b5c0fccbeeff157f731fba535b55dae073e4f84156413e87f5d8c29110d.pdf (opentimestamps.org) proves the capture time (fresh proofs report 'pending' until bitcoin-anchored, typically within a day).

Extracted text

Machine-extracted text (layout may be lost; the authoritative content is the stored file above).

Fastweb S.p.A. - Sede legale e amministrativa Piazza Adriano Olivetti, 1 - 20139 Milano Tel. [+39] 02.45451
Capitale Sociale euro 41.344.209,40 i.v. Codice Fiscale, Partita Iva e Iscrizione nel Registro Imprese di Milano 12878470157
Fastweb S.p.A. - Società soggetta all’attività di direzione e coordinamento di Swisscom AG

SINTESI DEI CONTENUTI USATI PER L’ADDESTRAMENTO DEL MODELLO EX. ART 53 PAR. 1 LETT D) EU AI ACT
23.03.2026
Il presente documento contiene l’indicazione dei contenuti utilizzati per il training del modello ai sensi dell’art. 53 par. 1 lett d) del
Regolamento n. 2024/1689 (EU AI Act), dalla fase di pre-training alla fase di fine-tuning.
Tale documentazione è resa pubblicamente disponibile  con l’obiettivo di aumentare la trasparenza sui dati utilizzati nelle fasi di pre -
addestramento e addestramento del modello di AI per finalità generali, al fine di agevolare le parti con interessi legittimi (inclusi i titolari
del diritto d’autore e gli interessati) nell’esercitare e far rispettare i loro diritti ai sensi della normativa dell’Unione, rispettando al contempo
i segreti industriali.
Tale documentazione deve essere di carattere generale e narrativo, anziché dettagliata sotto il profilo tecnico, deve cioè in dicare le
principali raccolte o serie di dati che sono state inserite nell’addestramento del modello, quali grandi banche dati o archivi di dati privati o
pubblici.
INFORMAZIONI GENERALI
A.
Identificazione
del fornitore
Ragione sociale del fornitore
Fastweb S.P.A., con sede in Milano, Piazza Olivetti, 1, società a
socio unico e soggetta all’attività di coordinamento e di
direzione della società Swisscom AG (di seguito, Fastweb”).
B.
Nome e Identificatore univoco della versione del modello Modelli della famiglia FastwebMIIA: Modello Italiano
d'Intelligenza Artificiale
• FastwebMIIA-7B
• FastwebMIIA-7B-2603
C.
Descrizione del Modello FastwebMIIA è un auto -regressive Large Language Model
(LLM) basato su un’architettura di dense decoder -only
Transformer. Fastweb ha inserito alcuni moduli custom come
il tokenizzatore, sviluppato in -house. Nella sua versione
FastwebMIIA-7B-2603, il modello è ottimizzato per il function
calling, per abilitare interazioni con strumenti esterni  tramite
chiamate a funzioni , ed il Contextual QA  e per rispondere a

domande su testi e documenti secondo il framework standard
della RAG – Retrieval Augmented Generation. Il modello non
presenta un rischio sistemico ai sensi dell’AI Act.
D.  Base models N/A
E.  Rappresentante Autorizzato N/A
F.  Rilascio Data di rilascio 29/05/2025
23/03/2026
G.
Dimensione
complessiva dei
dati di
addestramento,
modalità e
caratteristiche
Tipologia dati di training:
a) testuali
b) immagini
c) video
d) audio
e) altro
Il modello non è multimodale, è stato addestrato utilizzando
esclusivamente dati a) testuali per una dimensione
complessiva pari a 1.5 * 2 * 10^12 tokens.
H.
Tipologia dati testuali:
a) testi di narrativa e letteratura
b) testi scientifici ed educativi
c) notizie, giornalismo e opinioni
d) documenti legali e ufficiali
e) comunicazione sociale (es. messaggi)
f) promozione, pubblicità, recensioni di prodotti e servizi
g) altro
a) testi di narrativa e letteratura
b) testi scientifici ed educativi
c) notizie, giornalismo e opinioni
d) documenti legali e ufficiali
f) promozione, pubblicità, recensioni di prodotti e servizi
g) altri dati tra cui esempi di codici informatici, testi storici e un
set di dati sintetici, come da sezioni X e Y.

I.
Tipologia contenuti grafici:
a) fotografia
b) dipinti e belle arti
c) infografiche
d) illustrazione e design grafico
e) immagini tratte da social/personali
Non presenti.
J.
Tipologia contenuti video:
a) film, spettacolo
b) contenuti video animati
c) filmati di videogiochi e immersivi (es. 3D)
d) documentati
Non presenti.

e) notizie video e giornalismo
f) contenuti degli utenti dei social
g) altri contenuti video
K.
Tipologia contenuti audio:
a) musica
b) narrazione e narrativa (es. audiolibri)
c) contenuti audio educativi non di narrativa
d) programmi radiofonici e podcast
e) comunicazione sociale (telefonate, messaggi vocali)
f) altro
Non presenti.
L.
Tipologia contenuti speciali:
a) codice sorgente
b) dati strutturati (es. calendario, mappe, etc.)
c) altro, descrivere
a) codice sorgente
M.
Descrizione delle caratteristiche linguistiche, regionali, demografiche e altre
rilevanti dei dati di addestramento complessivi
Il modello è stato addestrato su un corpus eterogeneo di dati
esclusivamente testuali, raccolti prevalentemente in lingua
italiana e inglese, con una minore presenza di testi in altre
lingue europee e non europee. La distribuzione linguistica
riflette un focus specifico sull’italiano, al fine di garantire una
buona performance del modello su questa lingua.
Dal punto di vista del dominio, il dataset copre una vasta
gamma di aree tematiche, tra cui:
• Letteratura e scienze umane: testi narrativi, saggistica,
filosofia, critica letteraria;
• Materie scientifiche: testi relativi a matematica, fisica,
biologia, informatica, ingegneria;
• Scrittura di codice informatico : esempi di codice,
principalmente python, documentazione tecnica;
• Nozioni storiche e cultura generale : contenuti
enciclopedici, fonti educative e divulgative;
• Altri ambiti di uso generale: tra cui diritto, economia,
arte, attualità e linguaggio conversazionale;

• Scrittura creativa : contenuti da quotidiani e articoli
divulgativi.

Per quanto riguarda la modalità, i dati utilizzati sono
esclusivamente testuali. Non sono stati inclusi dati multimodali
(es. immagini, audio o video).

Tutti questi dati sono stati utilizzati sia in formato ‘plain text’
durante la fase di pre-training, sia in formato Q&A o multiturn
per le fasi di post-training.

Per maggiori informazioni vedasi “Documentazione
Trasparenza AI” al seguente link.
FONTI DATI
N.  Descrizione
generale
Descrizione delle modalità con cui i dati sono stati ottenuti e selezionati I dati con cui viene addestrato il modello hanno provenienza
molteplice. In particolare:
1) Circa l’85% del dataset è tratto da Common Crawl (CC),
un archivio realizzato attraverso scraping non
indiscriminato sul web, mantenendo la relativa fonte
tracciata. Common Crawl, secondo quanto dichiarato
dalla stessa organizzazione, rispetta le regole
"robots.txt" specificate dai siti web, che governano
l'accesso dei web crawler ai loro contenuti e non
effettua il crawling di pagine esplicitamente vietate da
queste regole;
2) Fastweb, inoltre, ha sottoscritto specifici accordi per
utilizzare, a fini di addestramento del modello, i dati di
alcuni soggetti terzi  con cui ha concluso opportuni
accordi di licenza  (ad esempio Mondadori, Bignami,
Istat, ecc);
3) Una parte minore di dati è stata individuata e acquisita
in licenza da fonti aperte (e.g. contenuti di Wikipedia

pubblicamente accessibili, acquisiti da libreria su
Hugging Face);
4) Una parte inferiore all’1% del corpus di dati è stata
generata in modo sintetico tramite software, in modo
specifico è stato usato il LLM Phi 3.5 che è rilasciato
sotto licenza MIT.
O.  Dati
pubblicamente
accessibili
Dimensione complessiva per modalità e numero di tutti i dataset  Tutte le fonti utilizzate sono state raccolte esclusivamente in
modalità testuale. La dimensione supera di poco il 10% del
corpus totale.

P.  Elenco dei dataset 'principali/grandi' (oltre il 5% dei dati complessivi in questa
categoria) con identificazione univoca, link + periodo di raccolta
Nessun dataset supera il 5% a livello nominale rispetto
all’intero corpus. La fonte principale è Wikipedia.
Q.  Dataset privati
non accessibili
al pubblico di
terze parti
Dati concessi in licenza dai titolari dei diritti o dai loro rappresentanti  Tutte le fonti licenziate hanno esclusivamente modalità
testuale.
Fastweb ha sottoscritto accordi di licenza con partner quali
Mondadori, Bignami, Istat.
R.  Dataset acquisiti da altre terze parti
S.
Elenco dei dataset privati 'principali/grandi' acquisiti da altre terze parti (oltre il 5%
dei dati complessivi in questa categoria), identificatori univoci e link (se disponibili)
e descrizione narrativa
T.
Dati raccolti ed
estratti da fonti
online
Dimensione complessiva per modalità, periodo di scraping Circa l’85% del dataset è tratto da Common Crawl (CC), un
archivio realizzato attraverso scraping non indiscriminato sul
web, mantenendo la relativa fonte tracciata. Common Crawl,
secondo quanto dichiarato dalla stessa organizzazione,
rispetta le regole "r obots.txt" specificate dai siti web, che
governano l'accesso dei web crawler ai loro contenuti e non
effettua il crawling di pagine esplicitamente vietate da queste
regole.
Periodo di raccolta: da marzo 2024 a febbraio 2025.
Si rinvia a Common Crawl - FAQ, in cui si esplicitano le attività
di scraping condotte nel rispetto del protocollo robot.txt, e
facendo inoltre il possibile per individuare e rispettare altre
riserve espresse sui diritti ai sensi dell’art. 4, par. 3, Direttiva
2019/790.

U.
Identificazione dei crawler, loro scopo e comportamento Tutte le fonti utilizzate sono state raccolte esclusivamente in
modalità testuale. I principali Crawler utilizzati sono:
1) Common Crawl
2) Red Pajama
3) FineWeb Edu
V.
Spiegazione del contenuto che è stato mirato Sono state predilette fonti contenenti testo di alta qualità in
inglese ed italiano. Per la descrizione della tipologia del
contenuto si rimanda alla sezione L.
W.
Elenco del 10% dei principali nomi di dominio internet per tipo di modalità dei dati
(es. testo, immagine)
1) Common Crawl
2) Red Pajama
3) FineWeb Edu
X.  Dati forniti
dagli utenti
(raccolti dal
fornitore incl.
prompt)
Dimensione complessiva per modalità N/A, non vengono utilizzati dati degli utenti
Y.
Elenco dei servizi/prodotti del fornitore da cui i dati sono raccolti N/A, non vengono utilizzati dati degli utenti
Z.  Dati sintetici
auto-generati
(dataset)
Dimensione complessiva per modalità  I dati sintetici costituiscono complessivamente meno del 1%
dell’intero corpus.
AA.   Nome del modello di AI Generati tramite Phi 3.5, rilasciati sotto licenza MIT.
BB.  Dati acquisiti
dal fornitore
tramite altri
mezzi
Dimensione complessiva per modalità N/A
CC.
Mezzi di acquisizione N/A
ASPETTI RILEVANTI IN MERITO AL TRATTAMENTO DEI DATI
DD.  Rispetto del
diritto d’autore
e dei diritti
connessi
Misure implementate per rispettare le riserve di diritti dall'eccezione di text e data-
mining ai sensi dell'Art.4(3) della Direttiva DSM durante la raccolta dei dati, incluse
le specifiche dei protocolli di opt-out e delle soluzioni onorate dal fornitore
Fastweb ha utilizzato fonti autorizzate da partnership o dati
provenienti da web scraping non indiscriminato che rispettano
le regole di ‘nofollow’ e ‘robots.txt’.
EE.
Misure implementate dopo il completamento della raccolta dei dati per
identificare e rimuovere i contenuti per i quali i diritti sono stati riservati dai titolari
dei diritti
E’ stato previsto un canale di comunicazione pubblicamente
accessibile per garantire l’esercizio dell’opt -out. Vedasi
sezione “Documentazione Trasparenza AI” al seguente link.
FF.  Descrivere i contenuti ritenuti indesiderati dal fornitore come parte dei dati di
addestramento
La rimozione dei contenuti indesiderati riguarda un ampio
spettro di contenuti che copre sia dati personali (PII), sia

Rimozione di
contenuti
indesiderati
valutazioni di qualità dei documenti sia formattazione tipica di
dati raccolti dal web. In tutti questi casi si è provveduto
all’eliminazione del dato o dell’intero documento di origine.
GG.
Elencare le misure adottate per evitare e/o rimuovere tali contenuti (come
blacklist, parole chiave e classificatori basati su modelli)
Fastweb ha creato e tiene aggiornato una blacklist di siti
potenzialmente dannosi o contenenti dati personali, per
filtrare ulteriormente alla radice alcun urls presenti nel
common crawler.
HH.
Le misure applicate dai curatori dei dataset elencati possono essere menzionate,
ma non è necessario elencarle in modo esaustivo
È stata sviluppata una pipeline di pulizia dei dati personalizzata
e progressiva per incorporare le migliori pratiche presenti in
letteratura al fine di generare un corpus italiano progettato per
l'addestramento di LLM specifici per la lingua.
La pipeline di pulizia prevede fasi di cleaning, normalizzazione,
deduplica e filtraggio basato sulla lingua e qualità semantica
dei documenti.
Infine il corpus dati utilizzato è stato più volte bilanciato
durante il processo di training per garantire rappresentatività
dei diversi domini e copertura dei task desiderati.

II.

JJ.
Pulizia dati
personali
 Occorre chiarire, in primo luogo, il progetto in cui si inserisce la
presente valutazione. Per garantire l’efficace funzionamento di
un modello LLM è fondamentale che lo stesso sia addestrato
con dati testuali, nei quali possono essere anche compresi
potenzialmente dati personali. Tali dati, infatti, sono essenziali
per garantire un livello adeg uato di conoscenza fattuale e
contestuale, nonché per migliorare la comprensione e la
generazione del linguaggio naturale.
Fastweb, occorre precisarlo, non ha interesse a sfruttare
direttamente dati personali in chiaro al fine di ottenere un
beneficio economico diretto, ma di garantire l’efficacia di un
modello linguistico di grandi dimensioni che solo per mezzo
dell’addestramento tramite tali dati può risultare
performante.
Ed invero, senza l'impiego di tali informazioni, il modello
risulterebbe limitato nella sua capacità di fornire risposte
accurate e contestualizzate, compromettendo la sua utilità e
affidabilità. E’ per tale ragione che Fastweb ha necessità di
trattare alcuni dati personali come, ad esempio, quelli relativi
ad eventi storico-scientifici, fatti notori rilevanti sotto il profilo
culturale globale, europeo o nazionale.
L’addestramento di un modello linguistico di grandi dimensioni
(LLM) comporta un equilibrio tra l’esigenza di utilizzare dati
testuali, inclusi potenzialmente dati personali, e la necessità di
garantire la tutela della privacy. Per ridurre al minimo il rischio
per gli interessati, Fastweb ha implementato diverse misure di
mitigazione, tra le quali:
1. Selezione accurata delle fonti dati, escludendo dataset
contenenti informazioni sensibili o non conformi alle
normative sulla privacy.
2. Pipeline di pulizia e anonimizzazione, che rimuove dati
personali e informazioni identificabili prima
dell’addestramento, assicurando minor impatto e

presenza dei dati personali. In particolare, per ogni
documento, viene applicata un'euristica di rimozione
delle Personal Identifiable Information (PII), se
presenti in numero inferiore a 5, altrimenti viene
rimosso l'intero documento.
Si sottolinea, infine, che la principale fonte di dati personali
utilizzati per il training è Wikipedia, per la quale valgono le
seguenti considerazioni:
1. L’insieme delle versioni utilizzate, in italiano ed
inglese, rappresenta solo circa l’1% dell’intero corpus
di dati utilizzati;
2. Wikipedia contiene in larga misura informazioni di
personaggi storici o famosi (le cui informazioni sono di
facile accesso pubblico in ogni caso) o legati a fatti di
cronaca esposti mediaticamente (riportate in atti
pubblici)
3. la natura principalmente enciclopedica dei contenuti e
dei dati personali ivi pubblicati fa propendere per una
bassa rischiosità del trattamento degli stessi
4. la pipeline di pulizia per le fonti provenienti da Internet
descritta sopra, comprensiva anche di forme di
esclusione e masking delle informazioni riferite a
persone fisiche identificate o identificabili, viene
applicata per tutte le fonti ad eccezione di Wikipedia.
Non sono presenti immagini nel dataset usato.