> For the complete documentation index, see [llms.txt](https://unsloth.ai/docs/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://unsloth.ai/docs/de/grundlagen.md). # Grundlagen - [Unsloth Dynamic 3.0 GGUFs](https://unsloth.ai/docs/de/grundlagen/dynamic-3.0-ggufs.md) - [Unsloth Dynamic GGUFs auf Aider Polyglot](https://unsloth.ai/docs/de/grundlagen/dynamic-3.0-ggufs/unsloth-dynamic-ggufs-on-aider-polyglot.md): Leistung von Unsloth Dynamic GGUFs auf Aider-Polyglot-Benchmarks - [Wie man Unsloth als API-Endpunkt verwendet](https://unsloth.ai/docs/de/grundlagen/api.md) - [Lokale LLMs überall bereitstellen: Sicherer Remote-Zugriff mit Cloudflare und Unsloth](https://unsloth.ai/docs/de/grundlagen/lokale-llms-uberall-bereitstellen-sicherer-remote-zugriff-mit-cloudflare-und-unsloth.md) - [Lokale KI-Modelle von jedem Gerät in Ihrem Netzwerk mit Unsloth LAN Access bereitstellen](https://unsloth.ai/docs/de/grundlagen/lan.md) - [Browser-Nutzung mit lokalen LLMs](https://unsloth.ai/docs/de/grundlagen/browser-use.md): Verwenden Sie lokale Modelle, um Websites zu navigieren und Aufgaben im integrierten Browser auszuführen. - [Inferenz & Bereitstellung](https://unsloth.ai/docs/de/grundlagen/inference-and-deployment.md): Erfahre, wie du dein feinabgestimmtes Modell speicherst, damit du es in deiner bevorzugten Inferenz-Engine ausführen kannst. - [Als GGUF speichern](https://unsloth.ai/docs/de/grundlagen/inference-and-deployment/saving-to-gguf.md) - [Spekulatives Dekodieren](https://unsloth.ai/docs/de/grundlagen/inference-and-deployment/saving-to-gguf/speculative-decoding.md): Spekulatives Dekodieren mit llama-server, llama.cpp, vLLM und mehr für 2x schnellere Inferenz - [vLLM-Bereitstellungs- & Inferenzleitfaden](https://unsloth.ai/docs/de/grundlagen/inference-and-deployment/vllm-guide.md): Leitfaden zum Speichern und Bereitstellen von LLMs mit vLLM für das Bereitstellen von LLMs in der Produktion - [vLLM-Engine-Argumente](https://unsloth.ai/docs/de/grundlagen/inference-and-deployment/vllm-guide/vllm-engine-arguments.md) - [Leitfaden zum Hot-Swapping von LoRA](https://unsloth.ai/docs/de/grundlagen/inference-and-deployment/vllm-guide/lora-hot-swapping-guide.md) - [Modelle in Ollama speichern](https://unsloth.ai/docs/de/grundlagen/inference-and-deployment/saving-to-ollama.md) - [Modelle in LM Studio bereitstellen](https://unsloth.ai/docs/de/grundlagen/inference-and-deployment/lm-studio.md): Modelle als GGUF speichern, damit du sie in LM Studio ausführen und bereitstellen kannst - [Wie man die LM Studio CLI im Linux-Terminal installiert](https://unsloth.ai/docs/de/grundlagen/inference-and-deployment/lm-studio/how-to-install-lm-studio-cli-in-linux-terminal.md): Installationsleitfaden für die LM Studio CLI ohne UI in einer Terminal-Instanz. - [SGLang-Bereitstellungs- & Inferenzleitfaden](https://unsloth.ai/docs/de/grundlagen/inference-and-deployment/sglang-guide.md): Leitfaden zum Speichern und Bereitstellen von LLMs mit SGLang für das Bereitstellen von LLMs in der Produktion - [Unsloth-Inferenz](https://unsloth.ai/docs/de/grundlagen/inference-and-deployment/unsloth-inference.md): Erfahre, wie du dein feinabgestimmtes Modell mit Unsloths schneller Inferenz ausführen kannst. - [Bereitstellungsleitfaden für llama-server & OpenAI-Endpunkt](https://unsloth.ai/docs/de/grundlagen/inference-and-deployment/llama-server-and-openai-endpoint.md): Bereitstellung über llama-server mit einem OpenAI-kompatiblen Endpunkt - [Wie man LLMs auf deinem iOS- oder Android-Telefon ausführt und bereitstellt](https://unsloth.ai/docs/de/grundlagen/inference-and-deployment/deploy-llms-phone.md): Tutorial zum Feinabstimmen deines eigenen LLMs und zur Bereitstellung auf deinem Android- oder iPhone mit ExecuTorch. - [Fehlerbehebung bei der Inferenz](https://unsloth.ai/docs/de/grundlagen/inference-and-deployment/troubleshooting-inference.md): Wenn du Probleme beim Ausführen oder Speichern deines Modells hast. - [LLMs mit Hugging Face Jobs bereitstellen](https://unsloth.ai/docs/de/grundlagen/inference-and-deployment/deploying-llms-with-hugging-face-jobs.md): Hugging Face Jobs und Skills verwenden, um LFM mit Codex / Claude Code mit einem SKILL feinabzustimmen. - [Lokale LLMs mit Claude Code ausführen](https://unsloth.ai/docs/de/grundlagen/claude-code.md): Leitfaden zur Verwendung offener Modelle mit Claude Code auf deinem lokalen Gerät. - [Lokale LLMs mit OpenAI Codex ausführen](https://unsloth.ai/docs/de/grundlagen/codex.md): Verwenden Sie offene Modelle mit OpenAI Codex lokal auf Ihrem Gerät. - [Trainiere dein eigenes Entscheidungsmodell mit Unsloth](https://unsloth.ai/docs/de/grundlagen/trainiere-dein-eigenes-entscheidungsmodell-mit-unsloth.md): Feinabstimme LLMs wie Qwen und Gemma, um Entscheidungen mit kalibrierten Wahrscheinlichkeiten zu treffen. - [Anleitung zu Unsloth Dynamic NVFP4](https://unsloth.ai/docs/de/grundlagen/nvfp4.md): Erfahren Sie, wie Unsloth Dynamic NVFP4 schnelle und präzise 4-Bit-Inferenz auf NVIDIA-Blackwell-GPUs ermöglicht. - [Bild-Diffusionsmodelle lokal mit Unsloth ausführen](https://unsloth.ai/docs/de/grundlagen/diffusion-image.md) - [Modelle auf AMD-GPUs mit Unsloth trainieren und ausführen](https://unsloth.ai/docs/de/grundlagen/amd.md) - [Wie man MCP-Server mit lokalen LLMs verwendet](https://unsloth.ai/docs/de/grundlagen/mcp.md): Erfahren Sie mit Screenshots, wie Sie MCP-Server mit offenen KI-Modellen verbinden. - [Multi-GPU-Feinabstimmung mit Unsloth](https://unsloth.ai/docs/de/grundlagen/multi-gpu-training-with-unsloth.md): Erfahren Sie, wie Sie LLMs mit Unsloth auf mehreren GPUs und mit Parallelisierung feinabstimmen. - [Multi-GPU-Feinabstimmung mit Distributed Data Parallel (DDP)](https://unsloth.ai/docs/de/grundlagen/multi-gpu-training-with-unsloth/ddp.md): Erfahren Sie, wie Sie mit der Unsloth-CLI auf mehreren GPUs mit Distributed Data Parallel (DDP) trainieren! - [Leitfaden zur Feinabstimmung von Embedding-Modellen mit Unsloth](https://unsloth.ai/docs/de/grundlagen/embedding-finetuning.md): Erfahren Sie, wie Sie Embedding-Modelle mit Unsloth ganz einfach feinabstimmen. - [MoE-Modelle mit Unsloth 12-mal schneller feinabstimmen](https://unsloth.ai/docs/de/grundlagen/faster-moe.md): Trainieren Sie MoE-LLMs lokal mit dem Unsloth-Leitfaden. - [Leitfaden zur Feinabstimmung von Text-to-Speech (TTS)](https://unsloth.ai/docs/de/grundlagen/text-to-speech-tts-fine-tuning.md): Erfahren Sie, wie Sie TTS- und STT-Sprachmodelle mit Unsloth feinabstimmen. - [Leitfaden zum Tool-Calling für lokale LLMs](https://unsloth.ai/docs/de/grundlagen/tool-calling-guide-for-local-llms.md) - [Vision-Feinabstimmung](https://unsloth.ai/docs/de/grundlagen/vision-fine-tuning.md): Erfahren Sie, wie Sie Vision-/multimodale LLMs mit Unsloth feinabstimmen - [Fehlerbehebung & FAQs](https://unsloth.ai/docs/de/grundlagen/troubleshooting-and-faqs.md): Tipps zur Lösung von Problemen und häufig gestellte Fragen. - [Hugging Face Hub, XET-Debugging](https://unsloth.ai/docs/de/grundlagen/troubleshooting-and-faqs/hugging-face-hub-xet-debugging.md): Debugging und Fehlerbehebung bei hängenden, feststeckenden und langsamen Downloads - [Chat-Vorlagen](https://unsloth.ai/docs/de/grundlagen/chat-templates.md): Lernen Sie die Grundlagen und Anpassungsoptionen von Chat-Vorlagen kennen, einschließlich Conversational-, ChatML-, ShareGPT-, Alpaca-Formaten und mehr! - [Unsloth-Umgebungsflags](https://unsloth.ai/docs/de/grundlagen/unsloth-environment-flags.md): Erweiterte Flags, die nützlich sein können, wenn Sie fehlschlagende Feinabstimmungen sehen oder bestimmte Funktionen deaktivieren möchten. - [Fortgesetztes Pretraining](https://unsloth.ai/docs/de/grundlagen/continued-pretraining.md): Auch bekannt als fortgesetzte Feinabstimmung. Unsloth ermöglicht fortlaufendes Pretraining, damit ein Modell eine neue Sprache lernen kann. - [Feinabstimmung vom letzten Checkpoint](https://unsloth.ai/docs/de/grundlagen/finetuning-from-last-checkpoint.md): Checkpointing ermöglicht es Ihnen, Ihren Feinabstimmungsfortschritt zu speichern, damit Sie pausieren und später fortfahren können. - [Unsloth-Benchmarks](https://unsloth.ai/docs/de/grundlagen/unsloth-benchmarks.md): Unsloth erfasste Benchmarks auf NVIDIA-GPUs. --- # Agent Instructions This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com. ## Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation by asking a question. Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters: ``` GET https://unsloth.ai/docs/de/grundlagen.md?ask=&goal= ``` `ask` is the immediate question: it should be specific, self-contained, and written in natural language. `goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.