> 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/loslegen.md). # Loslegen - [Unsloth-Dokumentation](https://unsloth.ai/docs/de/loslegen/readme.md): Unsloth ist ein Open-Source-Framework zum Ausführen und Trainieren von LLMs. - [Unsloth-Modellkatalog](https://unsloth.ai/docs/de/loslegen/unsloth-model-catalog.md) - [Fine-Tuning für Anfänger](https://unsloth.ai/docs/de/loslegen/fine-tuning-for-beginners.md) - [Unsloth-Anforderungen](https://unsloth.ai/docs/de/loslegen/fine-tuning-for-beginners/unsloth-requirements.md): Hier sind die Anforderungen von Unsloth, einschließlich System- und GPU-VRAM-Anforderungen. - [FAQ + Ist Fine-Tuning das Richtige für mich?](https://unsloth.ai/docs/de/loslegen/fine-tuning-for-beginners/faq-+-is-fine-tuning-right-for-me.md): Wenn du unsicher bist, ob Fine-Tuning das Richtige für dich ist, schau hier nach! Erfahre mehr über Missverständnisse beim Fine-Tuning, wie es sich im Vergleich zu RAG verhält und mehr: - [Unsloth-Notebooks](https://unsloth.ai/docs/de/loslegen/unsloth-notebooks.md): Fine-Tuning-Notebooks: Entdecke den Unsloth-Katalog. - [Unsloth-Installation](https://unsloth.ai/docs/de/loslegen/install.md): Lerne, Unsloth lokal oder online zu installieren. - [Unsloth via pip und uv installieren](https://unsloth.ai/docs/de/loslegen/install/pip-install.md): Um Unsloth lokal via Pip zu installieren, befolge die untenstehenden Schritte: - [Unsloth auf MacOS installieren](https://unsloth.ai/docs/de/loslegen/install/mac.md) - [Wie man LLMs auf Windows mit Unsloth fine-tuned (Schritt-für-Schritt-Anleitung)](https://unsloth.ai/docs/de/loslegen/install/windows-installation.md): Sieh dir an, wie Unsloth unter Windows installiert wird, um mit dem lokalen Fine-Tuning von LLMs zu beginnen. - [Anleitung zum Fine-Tuning von LLMs auf AMD-GPUs mit Unsloth](https://unsloth.ai/docs/de/loslegen/install/amd.md): Lerne, wie du große Sprachmodelle (LLMs) mit Unsloth auf AMD-GPUs fine-tunest. - [AMD AI Reinforcement Learning Hackathon mit Unsloth](https://unsloth.ai/docs/de/loslegen/install/amd/amd-hackathon.md): Lerne praktische Techniken für Reinforcement Learning für KI-Modelle mit Unsloth von Daniel Han, dem Erfinder von Unsloth. - [Unsloth via Docker installieren](https://unsloth.ai/docs/de/loslegen/install/docker.md): Installiere Unsloth mit unserem offiziellen Docker-Container - [Unsloth aktualisieren](https://unsloth.ai/docs/de/loslegen/install/updating.md): Um Unsloth zu aktualisieren oder eine ältere Version zu verwenden, befolge die untenstehenden Schritte: - [Fine-Tuning von LLMs auf Intel-GPUs mit Unsloth](https://unsloth.ai/docs/de/loslegen/install/intel.md): Lerne, wie du große Sprachmodelle auf Intel-GPUs trainierst und fine-tunest. - [Conda-Installation](https://unsloth.ai/docs/de/loslegen/install/conda-install.md): Um Unsloth lokal mit Conda zu installieren, befolge die untenstehenden Schritte: - [Wie man LLMs in VS Code mit Unsloth- und Colab-GPUs fine-tuned](https://unsloth.ai/docs/de/loslegen/install/vs-code.md): Anleitung zum Fine-Tuning von Modellen direkt in Visual Studio Code über Unsloth und Google Colab. - [Google Colab](https://unsloth.ai/docs/de/loslegen/install/google-colab.md): Um Unsloth in Google Colab zu installieren und auszuführen, befolge die untenstehenden Schritte: - [LLM-Fine-Tuning-Anleitung](https://unsloth.ai/docs/de/loslegen/fine-tuning-llms-guide.md): Lerne alle Grundlagen und Best Practices des Fine-Tunings. Anfängerfreundlich. - [Datensätze-Anleitung](https://unsloth.ai/docs/de/loslegen/fine-tuning-llms-guide/datasets-guide.md): Lerne, wie man einen Datensatz für das Fine-Tuning erstellt und vorbereitet. - [Leitfaden zu LoRA-Fine-Tuning-Hyperparametern](https://unsloth.ai/docs/de/loslegen/fine-tuning-llms-guide/lora-hyperparameters-guide.md): Lerne Schritt für Schritt die besten Einstellungen für das Fine-Tuning von LLMs – LoRA-Rang & Alpha, Epochen, Batch-Größe + Gradient Accumulation, QLoRA vs. LoRA, Zielmodule und mehr. - [Welches Modell sollte ich für das Fine-Tuning verwenden?](https://unsloth.ai/docs/de/loslegen/fine-tuning-llms-guide/what-model-should-i-use.md) - [Tutorial: Wie man Llama-3 finetuned und in Ollama verwendet](https://unsloth.ai/docs/de/loslegen/fine-tuning-llms-guide/tutorial-how-to-finetune-llama-3-and-use-in-ollama.md): Anfängerleitfaden zum Erstellen eines personalisierten Assistenten (wie ChatGPT), der lokal in Ollama läuft - [Leitfaden zu Reinforcement Learning (RL)](https://unsloth.ai/docs/de/loslegen/reinforcement-learning-rl-guide.md): Lerne alles über Reinforcement Learning (RL) und wie du dein eigenes DeepSeek-R1-Reasoning-Modell mit Unsloth und GRPO trainierst. Ein vollständiger Leitfaden von Anfänger bis Fortgeschrittene. - [Reinforcement Learning GRPO mit 7x längerem Kontext](https://unsloth.ai/docs/de/loslegen/reinforcement-learning-rl-guide/grpo-long-context.md): Lerne, wie Unsloth ultralanges Kontext-RL-Fine-Tuning ermöglicht. - [Visuelles Reinforcement Learning (VLM RL)](https://unsloth.ai/docs/de/loslegen/reinforcement-learning-rl-guide/vision-reinforcement-learning-vlm-rl.md): Trainiere Vision-/multimodale Modelle mit GRPO und RL mit Unsloth! - [FP8 Reinforcement Learning](https://unsloth.ai/docs/de/loslegen/reinforcement-learning-rl-guide/fp8-reinforcement-learning.md): Trainiere Reinforcement Learning (RL) und GRPO mit FP8-Präzision mit Unsloth. - [Tutorial: Trainiere dein eigenes Reasoning-Modell mit GRPO](https://unsloth.ai/docs/de/loslegen/reinforcement-learning-rl-guide/tutorial-train-your-own-reasoning-model-with-grpo.md): Anfängerleitfaden, um ein Modell wie Llama 3.1 (8B) mit Unsloth und GRPO in ein Reasoning-Modell zu verwandeln. - [Erweiterte Dokumentation zum Reinforcement Learning](https://unsloth.ai/docs/de/loslegen/reinforcement-learning-rl-guide/advanced-rl-documentation.md): Erweiterte Dokumentationseinstellungen bei der Verwendung von Unsloth mit GRPO. - [GSPO Reinforcement Learning](https://unsloth.ai/docs/de/loslegen/reinforcement-learning-rl-guide/advanced-rl-documentation/gspo-reinforcement-learning.md): Trainiere mit GSPO (Group Sequence Policy Optimization) RL in Unsloth. - [RL-Reward-Hacking](https://unsloth.ai/docs/de/loslegen/reinforcement-learning-rl-guide/advanced-rl-documentation/rl-reward-hacking.md): Lerne, was Reward Hacking im Reinforcement Learning ist und wie man es bekämpft. - [FP16 vs. BF16 für RL](https://unsloth.ai/docs/de/loslegen/reinforcement-learning-rl-guide/advanced-rl-documentation/fp16-vs-bf16-for-rl.md): „Defeating the Training-Inference Mismatch via FP16“ https://arxiv.org/pdf/2510.26788 zeigt, dass die Verwendung von float16 besser ist als bfloat16 - [Speichereffizientes RL](https://unsloth.ai/docs/de/loslegen/reinforcement-learning-rl-guide/memory-efficient-rl.md) - [Training zur Präferenzoptimierung - DPO, ORPO & KTO](https://unsloth.ai/docs/de/loslegen/reinforcement-learning-rl-guide/preference-dpo-orpo-and-kto.md): Lerne mehr über präferenzorientiertes Fine-Tuning mit DPO, GRPO, ORPO oder KTO über Unsloth, befolge die untenstehenden Schritte: - [KI-Agenten mit RL trainieren](https://unsloth.ai/docs/de/loslegen/reinforcement-learning-rl-guide/training-ai-agents-with-rl.md): Lerne, wie du KI-Agenten für reale Aufgaben mit Reinforcement Learning (RL) trainierst. --- # 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/loslegen.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.