> 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 - [So führst du Image-Diffusion-Modelle lokal mit Unsloth aus](https://unsloth.ai/docs/de/grundlagen/diffusion-image.md) - [Wie man Unsloth als API-Endpunkt verwendet](https://unsloth.ai/docs/de/grundlagen/api.md) - [So führst du lokale LLMs überall aus: sicherer Remote-Zugriff mit Cloudflare und Unsloth](https://unsloth.ai/docs/de/grundlagen/so-fuhrst-du-lokale-llms-uberall-aus-sicherer-remote-zugriff-mit-cloudflare-und-unsloth.md) - [Inferenz & Bereitstellung](https://unsloth.ai/docs/de/grundlagen/inference-and-deployment.md): Erfahre, wie du dein fein abgestimmtes Modell speicherst, damit du es in deiner bevorzugten Inferenz-Engine ausführen kannst. - [In GGUF speichern](https://unsloth.ai/docs/de/grundlagen/inference-and-deployment/saving-to-gguf.md) - [Spekulatives Decoding](https://unsloth.ai/docs/de/grundlagen/inference-and-deployment/saving-to-gguf/speculative-decoding.md): Spekulatives Decoding mit llama-server, llama.cpp, vLLM und mehr für 2x schnellere Inferenz - [vLLM-Bereitstellungs- und Inferenz-Leitfaden](https://unsloth.ai/docs/de/grundlagen/inference-and-deployment/vllm-guide.md): Leitfaden zum Speichern und Bereitstellen von LLMs in vLLM für den Produktiveinsatz - [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 - [So installierst du die LM-Studio-CLI im Linux-Terminal](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- und Inferenz-Leitfaden](https://unsloth.ai/docs/de/grundlagen/inference-and-deployment/sglang-guide.md): Leitfaden zum Speichern und Bereitstellen von LLMs in SGLang für den Produktiveinsatz - [Unsloth-Inferenz](https://unsloth.ai/docs/de/grundlagen/inference-and-deployment/unsloth-inference.md): Erfahre, wie du dein fein abgestimmtes Modell mit der schnelleren Inferenz von Unsloth ausführst. - [Leitfaden zur Bereitstellung von llama-server- und OpenAI-Endpunkten](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 Fine-Tuning 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): Verwende Hugging Face Jobs und Skills, um LFM mit Codex / Claude Code mit einem SKILL zu fine-tunen. - [So führst du lokale LLMs mit Claude Code aus](https://unsloth.ai/docs/de/grundlagen/claude-code.md): Leitfaden zur Verwendung offener Modelle mit Claude Code auf deinem lokalen Gerät. - [So führst du lokale LLMs mit OpenAI Codex aus](https://unsloth.ai/docs/de/grundlagen/codex.md): Verwende offene Modelle lokal auf deinem Gerät mit OpenAI Codex. - [Unsloth Dynamic NVFP4 ausführen Leitfaden](https://unsloth.ai/docs/de/grundlagen/nvfp4.md): Erfahre, wie Unsloth Dynamic NVFP4 schnelle und präzise 4-Bit-Inferenz auf NVIDIA-Blackwell-GPUs ermöglicht. - [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): Erfahre anhand von Screenshots, wie du MCP-Server mit offenen KI-Modellen verbindest. - [Multi-GPU-Fine-Tuning mit Unsloth](https://unsloth.ai/docs/de/grundlagen/multi-gpu-training-with-unsloth.md): Erfahre, wie du LLMs auf mehreren GPUs und mit Parallelisierung mit Unsloth fine-tunest. - [Multi-GPU-Finetuning mit Distributed Data Parallel (DDP)](https://unsloth.ai/docs/de/grundlagen/multi-gpu-training-with-unsloth/ddp.md): Erfahre, wie du die Unsloth-CLI verwendest, um auf mehreren GPUs mit Distributed Data Parallel (DDP) zu trainieren! - [Leitfaden zum Finetuning von Embedding-Modellen mit Unsloth](https://unsloth.ai/docs/de/grundlagen/embedding-finetuning.md): Erfahre, wie du Embedding-Modelle ganz einfach mit Unsloth feinabstimmst. - [MoE-Modelle mit Unsloth 12x schneller feinabstimmen](https://unsloth.ai/docs/de/grundlagen/faster-moe.md): Leitfaden: Trainiere MoE-LLMs lokal mit Unsloth. - [Leitfaden zum Finetuning von Text-to-Speech (TTS)](https://unsloth.ai/docs/de/grundlagen/text-to-speech-tts-fine-tuning.md): Erfahre, wie du TTS- und STT-Sprachmodelle mit Unsloth feinabstimmst. - [Leitfaden für Tool-Calling für lokale LLMs](https://unsloth.ai/docs/de/grundlagen/tool-calling-guide-for-local-llms.md) - [Vision-Finetuning](https://unsloth.ai/docs/de/grundlagen/vision-fine-tuning.md): Erfahre, wie du Vision-/multimodale LLMs mit Unsloth feinabstimmst - [Fehlerbehebung & FAQs](https://unsloth.ai/docs/de/grundlagen/troubleshooting-and-faqs.md): Tipps zur Lösung von Problemen und häufig gestellte Fragen. - [Debugging für Hugging Face Hub, XET](https://unsloth.ai/docs/de/grundlagen/troubleshooting-and-faqs/hugging-face-hub-xet-debugging.md): Debugging und Fehlerbehebung bei hängenden, festgefahrenen und langsamen Downloads - [Chat-Vorlagen](https://unsloth.ai/docs/de/grundlagen/chat-templates.md): Erfahre die Grundlagen und Anpassungsoptionen von Chat-Vorlagen, 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 du fehlschlagende Finetunes siehst oder etwas deaktivieren möchtest. - [Fortgesetztes Pretraining](https://unsloth.ai/docs/de/grundlagen/continued-pretraining.md): Auch bekannt als fortgesetztes Finetuning. Unsloth ermöglicht dir kontinuierliches Pretraining, damit ein Modell eine neue Sprache lernen kann. - [Finetuning vom letzten Checkpoint](https://unsloth.ai/docs/de/grundlagen/finetuning-from-last-checkpoint.md): Checkpoints ermöglichen es dir, deinen Finetuning-Fortschritt zu speichern, damit du pausieren und anschließend fortfahren kannst. - [Unsloth-Benchmarks](https://unsloth.ai/docs/de/grundlagen/unsloth-benchmarks.md): Unsloth hat Benchmarks auf NVIDIA-GPUs aufgezeichnet. --- # 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 dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter: ``` 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 optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal. 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.