> 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/neu/studio.md).
# Vorstellung von Unsloth Studio
Heute launchen wir **Unsloth Studio** (Beta): eine Open-Source-No-Code-Web-UI zum Trainieren, Ausführen und Exportieren offener Modelle in einer einheitlichen **lokalen** Oberfläche.
SchnellstartFunktionenGithub
* **GGUF ausführen** und Safetensor-Modelle lokal auf **Mac**unter Windows und Linux ausführen.
* Trainiere 500+ Modelle 2x schneller mit 70 % weniger VRAM (kein Genauigkeitsverlust)
* Text-, Vision-, TTS-Audio- und Embedding-Modelle ausführen und trainieren
{% hint style="success" %}
**Für die neuesten Updates siehe unsere** [**neue Changelog-Seite hier**](/docs/de/neu/changelog.md)**!** ✨
{% endhint %}
* **MacOS:** Training, MLX und GGUF-Inferenz funktionieren alle innerhalb von Unsloth.
* Kein Dataset erforderlich. [**Datasets automatisch erstellen**](/docs/de/neu/studio/data-recipe.md) aus **PDF, CSV, JSON, DOCX, TXT** Dateien.
* [Exportieren oder speichern](/docs/de/neu/studio/export.md) Sie Ihr Modell als GGUF, 16-Bit-Safetensor usw.
* [**Selbstheilendes Tool-Calling**](/docs/de/neu/studio/chat.md#auto-healing-tool-calling) / fortgeschrittene [**Websuche**](/docs/de/neu/studio/chat.md#advanced-web-search) + [**Code-Ausführung**](/docs/de/neu/studio/chat.md#code-execution)
* [Automatische Inferenz-Einstellungen](/docs/de/neu/studio/chat.md#auto-parameter-tuning), Chat-Vorlagen bearbeiten, Unsloth als [**API-Endpunkt**](#unsloth-as-an-api-endpoint).
## ⭐ Funktionen
{% columns %}
{% column %}
### **Modelle lokal ausführen**
[GGUF suchen und ausführen](/docs/de/neu/studio/chat.md) und Safetensor-Modelle mit selbstheilendem [Tool-Calling](#execute-code--heal-tool-calling), erweiterten [Websuche](/docs/de/neu/studio/chat.md#advanced-web-search), [automatischen Inferenz-](/docs/de/neu/studio/chat.md#auto-parameter-tuning) Einstellungen, [**Code-Ausführung**](/docs/de/neu/studio/chat.md#code-execution) (Bash + Python), [APIs](/docs/de/grundlagen/api.md). Bilder, Dokumente, Audio und Code hochladen.
[Modelle im direkten Vergleich testen](/docs/de/neu/studio.md#model-arena). Angetrieben von llama.cpp + Hugging Face unterstützt Unsloth **Multi-GPU-Inferenz,** automatisches Offloading und Einpassen sowie die meisten Modelle.
{% endcolumn %}
{% column %}
{% endcolumn %}
{% endcolumns %}
{% columns %}
{% column %}
### Code ausführen + Tool-Calling reparieren
Unsloth Studio ermöglicht es LLMs, Bash und Python auszuführen, nicht nur JavaScript. Es sandboxt außerdem Programme wie Claude Artifacts, sodass Modelle Code testen, Dateien erzeugen und Antworten mit echter Berechnung verifizieren können.
Z. B. durchsuchte Qwen3.5-4B 20+ Websites und zitierte Quellen, wobei die Websuche innerhalb seines Denkverlaufs stattfand.
{% endcolumn %}
{% column %}
{% endcolumn %}
{% endcolumns %}
{% columns %}
{% column %}
### Unsloth als API-Endpunkt
Du kannst lokale LLMs jetzt über Tools wie [Claude Code](/docs/de/grundlagen/claude-code.md) und [Codex](/docs/de/grundlagen/codex.md) verwenden, indem du es mit [Unsloths API-Endpunkt](/docs/de/grundlagen/api.md)verbindest. Das bedeutet, dass du Qwen- und Gemma-Modelle in diesen Tools direkt mit Unsloths Inferenz ausführen kannst, einschließlich Funktionen wie selbstheilendem Tool-Calling, Websuche usw.
Du kannst auch [einen Anbieter verbinden](broken://pages/0f8e9568d5c07455e71a53b9fbadf4f2dfaf00ef) wie OpenAI, Anthropic oder vLLM mit Unsloth.
{% endcolumn %}
{% column %}
{% endcolumn %}
{% endcolumns %}
{% columns %}
{% column %}
### **No-Code-Training**
[Lade PDF-, CSV-, JSON-](#data-recipes) Dokumente oder YAML-Konfigurationen hoch und beginne sofort mit dem Training auf NVIDIA. Die Kernel von Unsloth optimieren LoRA, FP8, FFT, PT über 500+ Text-, Vision-, TTS-/Audio- und Embedding-Modelle hinweg.
Finetune die neuesten LLMs wie [Qwen3.5](/docs/de/modelle/qwen3.5/fine-tune.md) und NVIDIA [Nemotron 3](/docs/de/modelle/nemotron-3.md). [Multi-GPU](/docs/de/grundlagen/multi-gpu-training-with-unsloth.md) funktioniert automatisch, eine neue Version ist unterwegs.
{% endcolumn %}
{% column %}
{% endcolumn %}
{% endcolumns %}
{% columns %}
{% column %}
### Data Recipes
[**Data Recipes**](/docs/de/neu/studio/data-recipe.md) wandelt Ihre Dokumente über einen Graph-Node-Workflow in nutzbare / synthetische Datensätze um. Laden Sie unstrukturierte oder strukturierte Dateien wie PDFs, CSV und JSON hoch. Unsloth Data Recipes, angetrieben von NVIDIA Nemo [Data Designer](https://github.com/NVIDIA-NeMo/DataDesigner), wandelt Dokumente automatisch in Ihre gewünschten Formate um.
{% endcolumn %}
{% column %}
{% endcolumn %}
{% endcolumns %}
{% columns %}
{% column %}
### Beobachtbarkeit
Gewinne [vollständige Sichtbarkeit](/docs/de/neu/studio/start.md#training-progress) in und Kontrolle über Ihre Trainingsläufe. Verfolgen Sie Trainingsverlust, Gradienten-Normen und GPU-Auslastung in Echtzeit und passen Sie alles nach Ihren Wünschen an.
Du kannst den Trainingsfortschritt sogar auf anderen Geräten wie deinem Smartphone ansehen.
{% endcolumn %}
{% column %}
{% endcolumn %}
{% endcolumns %}
{% columns %}
{% column %}
### Modelle exportieren / speichern
[**Exportieren Sie jedes Modell**](/docs/de/neu/studio/export.md), einschließlich Ihrer feinabgestimmten Modelle, als Safetensors oder GGUF für die Verwendung mit llama.cpp, vLLM, Ollama, LM Studio und mehr.
Speichert Ihren Trainingsverlauf, sodass Sie Läufe erneut aufrufen, erneut exportieren und experimentieren können.
{% endcolumn %}
{% column %}
{% endcolumn %}
{% endcolumns %}
{% columns %}
{% column %}
### Model Arena
Chatte mit und [vergleiche 2 verschiedene](/docs/de/neu/studio/chat.md#model-arena) Modelle, etwa ein Basismodell und ein feinabgestimmtes Modell, um zu sehen, wie sich ihre Ausgaben unterscheiden.
Lade einfach dein erstes GGUF/Modell, dann das zweite, und voilà! Die Inferenz lädt zuerst ein Modell und dann das zweite.
{% endcolumn %}
{% column %}
{% endcolumn %}
{% endcolumns %}
{% columns %}
{% column %}
### Datenschutz zuerst + sicher
Unsloth Studio kann zu 100 % offline und lokal auf Ihrem Computer verwendet werden. Seine tokenbasierte Authentifizierung, einschließlich verschlüsseltem Passwort und JWT-Zugriffs-/Refresh-Flows, hält Ihre Daten sicher.
Du kannst bereits vorhandene / alte Modelle oder GGUFs verwenden, die zuvor von HF usw. heruntergeladen wurden. Lies [Anweisungen hier](/docs/de/neu/studio/chat.md#using-old-existing-gguf-models).
{% endcolumn %}
{% column %}
{% endcolumn %}
{% endcolumns %}
{% hint style="warning" %}
Bitte beachte, dass dies die **BETA** Version von Unsloth Studio ist. Erwarten Sie in den kommenden Tagen und Wochen viele Verbesserungen, Fehlerbehebungen und neue Funktionen.
{% endhint %}
## ⚡ Schnellstart
Unsloth Studio funktioniert unter Windows, Linux, WSL und MacOSx.
* **CPU:** Unsloth funktioniert auch ohne GPU, aber nur für [Chat](#run-models-locally) Inferenz und [Data Recipes](/docs/de/neu/studio/data-recipe.md).
* **Training:** Funktioniert auf **NVIDIA**: RTX 30, 40, 50, Blackwell, DGX Spark/Station usw. + **Intel** GPUs
* **Mac:** Training, MLX und GGUF-Inferenz werden ALLE unterstützt.
* **AMD:** Chat funktioniert. Trainiere mit [Unsloth Core](/docs/de/loslegen/install/amd.md). Studio-Support kommt bald.
* **Multi-GPU:** Funktioniert bereits, ein großes Upgrade ist unterwegs.
Verwenden Sie dieselben Installationsbefehle unten, um **zu aktualisieren**:
### **MacOS, Linux, WSL:**
```bash
curl -fsSL https://unsloth.ai/install.sh | sh
```
### **Windows PowerShell:**
```bash
irm https://unsloth.ai/install.ps1 | iex
```
#### Unsloth starten
```bash
unsloth studio -H 0.0.0.0 -p 8888
```
### Docker:
Nutze unser offizielles **Docker-Image**: [`unsloth/unsloth`](https://hub.docker.com/r/unsloth/unsloth) das derzeit für Windows, WSL und Linux funktioniert. MacOS-Unterstützung kommt bald.
{% code overflow="wrap" expandable="true" %}
```bash
docker run -d -e JUPYTER_PASSWORD="mypassword" \
-p 8888:8888 -p 8000:8000 -p 2222:22 \
-v $(pwd)/work:/workspace/work \
--gpus all \
unsloth/unsloth
```
{% endcode %}
{% hint style="success" %}
**Die erste Installation sollte jetzt 6x schneller und aufgrund vorab kompilierter llama.cpp-Binärdateien um 50 % kleiner sein.**
{% endhint %}
**Weitere Details zu Installation und Deinstallation finden Sie im** [**Abschnitt Unsloth Studio installieren**](/docs/de/neu/studio/install.md) **.**
{% content-ref url="/pages/fd472c5a40e73b8e54cee17244010f121bf38286" %}
[Installation](/docs/de/neu/studio/install.md)
{% endcontent-ref %}
### :google: Google Colab-Notebook
Wir haben ein [kostenloses Google Colab-Notebook](https://colab.research.google.com/github/unslothai/unsloth/blob/main/studio/Unsloth_Studio_Colab.ipynb) erstellt, damit du alle Funktionen von Unsloth auf Colabs T4-GPUs ausprobieren kannst. Du kannst die meisten Modelle bis zu 22B Parametern trainieren und ausführen und für größere Modelle zu einer größeren GPU wechseln. Klicke einfach auf „Run all“ und die UI sollte nach der Installation erscheinen.
{% columns %}
{% column %}
{% embed url="" %}
Sobald die Installation abgeschlossen ist, scrolle zu **Unsloth Studio starten** und klicke auf **Unsloth Studio öffnen** im weißen Kasten links angezeigt:
**Scrolle weiter nach unten, um die eigentliche UI zu sehen.**
{% endcolumn %}
{% column %}
{% endcolumn %}
{% endcolumns %}
{% hint style="warning" %}
Manchmal kann der Studio-Link einen Fehler zurückgeben. Das passiert, weil du möglicherweise Cookies deaktiviert hast oder einen Adblocker oder Mozilla verwendest. Du kannst trotzdem auf die UI zugreifen, indem du unterhalb des Buttons weiter nach unten scrollst.
{% endhint %}
## :seedling: Workflow
Hier ist ein üblicher Workflow von Unsloth Studio, um dir den Einstieg zu erleichtern:
1. Studio starten aus [Installationsanweisungen](/docs/de/neu/studio/install.md).
2. Lade ein Modell aus lokalen Dateien oder einer unterstützten Integration.
3. Importiere Trainingsdaten aus PDFs, CSVs oder JSONL-Dateien oder erstelle ein Dataset von Grund auf neu.
4. Bereinigen, verfeinern und erweitern Sie Ihr Dataset in [Data Recipes](/docs/de/neu/studio/data-recipe.md).
5. Beginne mit dem Training mit empfohlenen Voreinstellungen oder passe die Konfiguration selbst an.
6. Chatte mit dem trainierten Modell und vergleiche seine Ausgaben mit dem Basismodell.
7. [Speichern oder exportieren](/docs/de/neu/studio.md#export-save-models) lokal in den Stack, den Sie bereits verwenden.
Du kannst unsere einzelnen Deep Dives zu jedem Abschnitt von Unsloth Studio lesen:
{% columns %}
{% column width="50%" %}
{% content-ref url="/pages/bf6b637872d3a9f534daa54866ec7d33d9b369a2" %}
[Get Started](/docs/de/neu/studio/start.md)
{% endcontent-ref %}
{% content-ref url="/pages/13c9d0063a9732a68734b74792f3e30153873bf4" %}
[Model Export](/docs/de/neu/studio/export.md)
{% endcontent-ref %}
{% endcolumn %}
{% column width="50%" %}
{% content-ref url="/pages/dd9f9c69fff351709e4886e820d7d6facf3ec2b3" %}
[Data Recipes](/docs/de/neu/studio/data-recipe.md)
{% endcontent-ref %}
{% content-ref url="/pages/73168493b14a89fa27e95b776ade6bd93679a3e5" %}
[Studio Chat](/docs/de/neu/studio/chat.md)
{% endcontent-ref %}
{% endcolumn %}
{% endcolumns %}
## FAQ
**Erfasst oder speichert Unsloth Daten?**\
Unsloth erfasst keine Nutzungs-Telemetrie. Unsloth sammelt nur die minimalen Hardware-Informationen, die für die Kompatibilität erforderlich sind, wie GPU-Typ und Gerät (z. B. Mac). Unsloth Studio läuft zu 100 % offline und lokal.
**Wie verwende ich ein altes / vorhandenes Modell, das ich zuvor von Hugging Face heruntergeladen habe?**\
Ja, du kannst bereits vorhandene/alte Modelle oder GGUFs verwenden, die du zuvor von Hugging Face usw. heruntergeladen hast. Sie sollten jetzt automatisch von Unsloth erkannt werden, andernfalls lies unsere [Anweisungen hier](/docs/de/neu/studio/chat.md#using-old-existing-gguf-models).
**Warum ist die Inferenz in Unsloth manchmal langsamer?**\
Unsloth wird, wie andere lokale Inferenz-Apps auch, von llama.cpp angetrieben, daher sollten die Geschwindigkeiten größtenteils gleich sein. Manchmal kann Unsloth langsamer sein, weil du Websuche, Code-Ausführung oder selbstheilendes Tool-Calling aktiviert hast. All diese Funktionen können deine Inferenz verlangsamen. Wenn der Geschwindigkeitsunterschied auch bei deaktivierten Funktionen immer noch langsamer ist, erstelle bitte ein GitHub-Issue!
**Unterstützt Unsloth Studio OpenAI-kompatible APIs?**\
Ja, siehe unseren [API-Endpunkt-Leitfaden hier](/docs/de/grundlagen/api.md).
**Steht Unsloth jetzt unter der AGPL-3.0-Lizenz?**\
Unsloth verwendet ein Dual-Lizenzmodell aus Apache 2.0 und AGPL-3.0. Das Kernpaket von Unsloth bleibt lizenziert unter [**Apache 2.0**](https://github.com/unslothai/unsloth?tab=Apache-2.0-1-ov-file), während bestimmte optionale Komponenten, wie die Unsloth Studio UI, unter [**AGPL-3.0**](https://github.com/unslothai/unsloth?tab=AGPL-3.0-2-ov-file).
lizenziert sind. Diese Struktur hilft, die fortlaufende Entwicklung von Unsloth zu unterstützen, während das Projekt Open Source bleibt und das breitere Ökosystem weiter wachsen kann.
**Unterstützt Studio nur LLMs?**\
Nein. Studio unterstützt eine Reihe unterstützter `transformer` kompatibler Modellfamilien, einschließlich Text, multimodaler Modelle, [Text-zu-Sprache](/docs/de/grundlagen/text-to-speech-tts-fine-tuning.md), Audio, [Embeddings](/docs/de/grundlagen/embedding-finetuning.md), und BERT-ähnliche Modelle.
**Kann ich meine eigene Trainingskonfiguration verwenden?**\
Ja. Importiere eine YAML-Konfiguration, und Studio füllt die relevanten Einstellungen vorab aus.
**Müssen Modelle trainiert werden, um die UI zu verwenden?**\
Nein, du kannst einfach jedes GGUF oder Modell herunterladen, ohne ein Modell feinabzustimmen.
#### Zukunft von Unsloth
Wir arbeiten hart daran, Open-Source-KI so zugänglich wie möglich zu machen. Als Nächstes für Unsloth und Unsloth Studio veröffentlichen wir offizielle Unterstützung für: Multi-GPU, Apple Silicon/MLX und AMD. Zur Erinnerung: Dies ist die BETA-Version von Unsloth Studio, also erwarte in den kommenden Wochen viele Ankündigungen und Verbesserungen. Wir arbeiten außerdem eng mit NVIDIA an der Multi-GPU-Unterstützung zusammen, um die bestmögliche und einfachste Erfahrung zu liefern.
#### Danksagungen
Ein riesiges Dankeschön an NVIDIA und Hugging Face dafür, dass sie Teil unseres Launchs sind. Außerdem danken wir all unseren frühen Beta-Testern für Unsloth Studio – wir schätzen eure Zeit und euer Feedback wirklich sehr. Wir möchten auch llama.cpp, PyTorch und den Open-Model-Labs dafür danken, dass sie die Infrastruktur bereitgestellt haben, die Unsloth Studio möglich gemacht hat.
---
# 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:
```
GET https://unsloth.ai/docs/de/neu/studio.md?ask=
```
The question should be specific, self-contained, and written in natural language.
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.