> 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).

# Einführung in Unsloth Studio

Heute launchen wir **Unsloth Studio** (Beta): eine quelloffene, No-Code-Weboberfläche zum Trainieren, Ausführen und Exportieren offener Modelle in einer einheitlichen **lokal** Oberfläche.

<a href="/pages/0eb7cfce0eb5651e720ac0944c9e36f7124bc8de#quickstart" class="button primary" data-icon="bolt">Schnellstart</a><a href="/pages/0eb7cfce0eb5651e720ac0944c9e36f7124bc8de#features" class="button secondary" data-icon="star">Funktionen</a><a href="https://github.com/unslothai/unsloth" class="button secondary" data-icon="github">GitHub</a>

* **GGUF ausführen** und Safetensor-Modelle lokal auf **Mac**, Windows, Linux.
* Trainiere über 500 Modelle 2x schneller mit 70 % weniger VRAM (kein Genauigkeitsverlust)
* Führe Text-, Vision-, TTS-Audio- und Embedding-Modelle aus und trainiere sie

{% hint style="success" %}
**Für alle aktuellen Updates siehe unsere** [**neue Changelog-Seite hier**](/docs/de/neu/changelog.md)**!** ✨
{% endhint %}

<div><figure><img src="/files/6f0881aae219041cb90c64410162b4e5f865d10b" alt=""><figcaption></figcaption></figure> <figure><img src="/files/ddfe1df5a430a4a6d5d650459d39c598ee69ab33" alt=""><figcaption></figcaption></figure></div>

* **macOS:** Training, MLX und GGUF-Inferenz funktionieren alle in Unsloth.
* Kein Datensatz erforderlich. [**Datensätze automatisch erstellen**](/docs/de/neu/studio/data-recipe.md) aus **PDF, CSV, JSON, DOCX, TXT** Dateien.
* Verbinde deine lokalen Modelle mit jedem Agenten, einschließlich [Claude Code](/docs/de/grundlagen/claude-code.md), [Codex](/docs/de/grundlagen/codex.md), [Hermes](/docs/de/integrationen/hermes-agent.md) und mehr.
* [Exportiere oder speichere](/docs/de/neu/studio/export.md) dein Modell als GGUF, 16-Bit-Safetensor usw.
* [**Selbstheilender Tool-Calling**](/docs/de/neu/studio/chat.md#auto-healing-tool-calling) / fortgeschrittene [**Websuche**](/docs/de/neu/studio/chat.md#advanced-web-search) + [**Codeausführung**](/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), fortgeschrittener [Websuche](/docs/de/neu/studio/chat.md#advanced-web-search), [automatische Inferenz](/docs/de/neu/studio/chat.md#auto-parameter-tuning) Einstellungen, [**Codeausführung**](/docs/de/neu/studio/chat.md#code-execution) (Bash + Python), [APIs](/docs/de/grundlagen/api.md). Bilder, Dokumente, Audio und Code hochladen.

[Modelle nebeneinander vergleichen](/docs/de/neu/studio.md#model-arena). Angetrieben von llama.cpp + Hugging Face unterstützt Unsloth **Multi-GPU-Inferenz,** automatisches Offloading und Anpassen bei den meisten Modellen.
{% endcolumn %}

{% column %}

<figure><img src="/files/16c0b18ba770d26abf1c3a92209b60c094a825a0" alt=""><figcaption></figcaption></figure>
{% endcolumn %}
{% endcolumns %}

{% columns %}
{% column %}

### Code ausführen + Tool-Calling reparieren

Unsloth Studio lässt LLMs Bash und Python ausführen, nicht nur JavaScript. Außerdem isoliert es Programme wie Claude Artifacts in einer Sandbox, damit Modelle Code testen, Dateien erzeugen und Antworten mit echter Berechnung überprüfen können.

Z. B. durchsuchte Qwen3.5-4B über 20 Websites und zitierte Quellen, wobei die Websuche innerhalb seiner Denkkette stattfand.
{% endcolumn %}

{% column %}

<figure><img src="/files/72e444ba2ee0f824709d0f03d5c3ca108bd5936f" alt=""><figcaption></figcaption></figure>
{% endcolumn %}
{% endcolumns %}

{% columns %}
{% column %}

### Unsloth als API-Endpunkt

Du kannst jetzt lokale LLMs über Tools wie [Claude Code](/docs/de/grundlagen/claude-code.md) und [Codex](/docs/de/grundlagen/codex.md) indem du es verbindest mit [Unsloths API-Endpunkt](/docs/de/grundlagen/api.md)verwenden. Das bedeutet, dass du Qwen- und Gemma-Modelle in diesen Tools direkt mit Unsloths Inferenz ausführen kannst, die Funktionen wie selbstheilendes Tool-Calling, Websuche usw. umfasst.

Du kannst auch [einen Anbieter verbinden](/docs/de/integrationen/connections.md) wie OpenAI, Anthropic oder vLLM mit Unsloth verbinden.
{% endcolumn %}

{% column %}

<figure><img src="/files/4d7f67e24fb64209883a9782fb1c8e4d7782a66f" alt=""><figcaption></figcaption></figure>
{% endcolumn %}
{% endcolumns %}

{% columns %}
{% column %}

### **Training ohne Code**

[Lade PDF, CSV, JSON](#data-recipes) Dokumente oder YAML-Konfigurationen hoch und starte das Training sofort auf NVIDIA. Unsloths Kernel optimieren LoRA, FP8, FFT und 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 kommt bald.
{% endcolumn %}

{% column %}

<figure><img src="/files/4d260c56ad45e970b5bb264a2a229d588a3a694f" alt=""><figcaption></figcaption></figure>
{% endcolumn %}
{% endcolumns %}

{% columns %}
{% column %}

### Data Recipes

[**Data Recipes**](/docs/de/neu/studio/data-recipe.md) verwandelt deine Dokumente über einen Graph-Node-Workflow in nutzbare / synthetische Datensätze. Lade unstrukturierte oder strukturierte Dateien wie PDFs, CSV und JSON hoch. Unsloth Data Recipes, unterstützt von NVIDIA Nemo [Data Designer](https://github.com/NVIDIA-NeMo/DataDesigner), wandelt Dokumente automatisch in die gewünschten Formate um.
{% endcolumn %}

{% column %}

<figure><img src="/files/d665d8f59231082ffd6e3bd80d846493ee4fe1dd" alt=""><figcaption></figcaption></figure>
{% endcolumn %}
{% endcolumns %}

{% columns %}
{% column %}

### Beobachtbarkeit

Erhalte [vollständige Transparenz](/docs/de/neu/studio/start.md#training-progress) über deine Trainingsläufe und behalte die Kontrolle darüber. Verfolge Trainingsverlust, Gradienten-Normen und GPU-Auslastung in Echtzeit und passe alles nach deinen Wünschen an.

Du kannst den Trainingsfortschritt sogar auf anderen Geräten wie deinem Smartphone anzeigen.
{% endcolumn %}

{% column %}

<figure><img src="/files/f11f502bd03db063fe1ed4528a68fd226e6aa85f" alt=""><figcaption></figcaption></figure>
{% endcolumn %}
{% endcolumns %}

{% columns %}
{% column %}

### Modelle exportieren / speichern

[**Exportiere jedes Modell**](/docs/de/neu/studio/export.md), einschließlich deiner feinabgestimmten Modelle, als safetensors oder GGUF zur Verwendung mit llama.cpp, vLLM, Ollama, LM Studio und mehr.

Speichert deine Trainingshistorie, damit du Läufe erneut aufrufen, erneut exportieren und experimentieren kannst.
{% endcolumn %}

{% column %}

<figure><img src="/files/76e468f3241090e47538630943be19f345e3de7b" alt=""><figcaption></figcaption></figure>
{% endcolumn %}
{% endcolumns %}

{% columns %}
{% column %}

### Model Arena

Chatte mit und [vergleiche 2 verschiedene](/docs/de/neu/studio/chat.md#model-arena) Modelle, z. B. ein Basismodell und ein feinabgestimmtes, 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, dann das zweite.
{% endcolumn %}

{% column %}

<div align="center"><figure><img src="/files/57327435a296ac04b674537dd10bf9ddc85a6464" alt=""><figcaption></figcaption></figure></div>
{% endcolumn %}
{% endcolumns %}

{% columns %}
{% column %}

### Datenschutz zuerst + sicher

Unsloth Studio kann zu 100 % offline und lokal auf deinem Computer verwendet werden. Seine tokenbasierte Authentifizierung, einschließlich verschlüsseltem Passwort und JWT-Access-/Refresh-Flows, hält deine Daten sicher.

Du kannst bereits vorhandene / alte Modelle oder GGUFs verwenden, die zuvor von HF usw. heruntergeladen wurden. Lies [die Anweisungen hier](/docs/de/neu/studio/chat.md#using-old-existing-gguf-models).
{% endcolumn %}

{% column %}

<figure><img src="/files/d3aa15a0c0bb6d70950014ebf3ebf446a62e7513" alt=""><figcaption></figcaption></figure>
{% endcolumn %}
{% endcolumns %}

{% hint style="warning" %}
Bitte beachte, dass dies die **BETA** Version von Unsloth Studio ist. Erwarte in den kommenden Tagen und Wochen viele Verbesserungen, Fehlerbehebungen und neue Funktionen.
{% endhint %}

## ⚡ Schnellstart

Unsloth Studio funktioniert auf 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**, **Intel**, **Apple**, und [**AMD**](/docs/de/grundlagen/amd.md) GPUs
* **Mac:** Training, MLX und GGUF-Inferenz werden ALLE unterstützt.
* **Inferenz:** unterstützt für nahezu alle Geräte und Hardware
* **Multi-GPU:** Funktioniert bereits, ein großes Upgrade ist unterwegs.

Verwende 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
```

#### Starte Unsloth

```bash
unsloth studio -H 0.0.0.0 -p 8888
```

**Starte Unsloth sicher mit HTTPS und Cloudflare**

**NEU!** Unsloth bietet jetzt eine sichere Möglichkeit, Unsloth über HTTPS über einen kostenlosen Cloudflare-Tunnel zu starten. Verwende den folgenden Befehl (funktioniert unter Windows, Mac & Linux):

```bash
unsloth studio --secure
```

**Für weitere Details zur Installation und Deinstallation besuche bitte die** [**Unsloth Studio Installation**](/docs/de/neu/studio/install.md) **Abschnitt.**

{% content-ref url="/pages/fd472c5a40e73b8e54cee17244010f121bf38286" %}
[Installation](/docs/de/neu/studio/install.md)
{% endcontent-ref %}

#### <i class="fa-google">:google:</i> 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) damit du alle Funktionen von Unsloth auf Colabs T4-GPUs erkunden kannst. Du kannst die meisten Modelle bis zu 22B Parametern trainieren und ausführen und für größere Modelle auf eine größere GPU wechseln. Klicke einfach auf 'Run all', und die UI sollte nach der Installation erscheinen.

{% columns %}
{% column %}
{% embed url="<https://colab.research.google.com/github/unslothai/unsloth/blob/main/studio/Unsloth_Studio_Colab.ipynb>" %}

Sobald die Installation abgeschlossen ist, scrolle zu **Starte Unsloth Studio** und klicke auf **Unsloth Studio öffnen** im weißen Kasten links gezeigt:

**Scrolle weiter nach unten, um die eigentliche UI zu sehen.**
{% endcolumn %}

{% column %}

<figure><img src="/files/b05cbc1779c6b080cf0bb91c6b6475aac68ac9a4" alt=""><figcaption></figcaption></figure>
{% endcolumn %}
{% endcolumns %}

{% hint style="warning" %}
Manchmal kann der Unsloth-Link einen Fehler zurückgeben. Das passiert, weil du Cookies deaktiviert hast oder einen Adblocker oder Mozilla verwendest. Du kannst trotzdem auf die UI zugreifen, indem du unter den Button scrollst.
{% endhint %}

### 👾 Unsloth Start

{% columns %}
{% column width="58.333333333333336%" %}
[Unsloth Start](/docs/de/integrationen/unsloth-start.md) ermöglicht dir, dich zu verbinden [Claude Code](/docs/de/grundlagen/claude-code.md), [Codex](/docs/de/grundlagen/codex.md) und andere Agenten mit lokalen Modellen über den `unsloth start` Befehl.

Starte Unsloth, lade ein Modell, öffne deinen Projektordner und führe dann aus:

```bash
unsloth start claude
```

Ersetze `claude` durch einen der folgenden Agenten:
{% endcolumn %}

{% column width="41.666666666666664%" %}

<figure><img src="/files/71dc8d04c5322ed18a0af5f03d72f1ec3f286b24" alt="" width="563"><figcaption><p>Claude Code läuft lokal mit Qwen3.5.</p></figcaption></figure>
{% endcolumn %}
{% endcolumns %}

| Agent                                                              | Befehl                   |
| ------------------------------------------------------------------ | ------------------------ |
| <i class="fa-claude">:claude:</i> Claude Code                      | `unsloth start claude`   |
| <i class="fa-openai">:openai:</i> OpenAI Codex                     | `unsloth start codex`    |
| <i class="fa-caduceus">:caduceus:</i> Hermes-Agent                 | `unsloth start hermes`   |
| <i class="fa-lobster">:lobster:</i> OpenClaw                       | `unsloth start openclaw` |
| <i class="fa-rectangle-vertical">:rectangle-vertical:</i> OpenCode | `unsloth start opencode` |

## <i class="fa-seedling">:seedling:</i> Workflow

Hier ist ein typischer Workflow von Unsloth Studio, um dir den Einstieg zu erleichtern:

1. Starte Unsloth über [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 einen Datensatz von Grund auf.
4. Bereinige, verfeinere und erweitere deinen Datensatz in [Data Recipes](/docs/de/neu/studio/data-recipe.md).
5. Starte das 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 du bereits verwendest.

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 %}

## <i class="fa-comments-question">:comments-question:</i> FAQ

**Erfasst oder speichert Unsloth Daten?**\
Unsloth erfasst keine Nutzungs-Telemetrie. Unsloth sammelt nur die minimalen Hardwareinformationen, die für die Kompatibilität erforderlich sind, wie z. B. GPU-Typ und Gerät (z. B. Mac). Unsloth Studio läuft zu 100 % offline und lokal.

**Wie verwende ich ein altes / bereits 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 [die 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 von llama.cpp angetrieben, daher sollten die Geschwindigkeiten größtenteils gleich sein. Manchmal kann Unsloth langsamer sein, weil du Websuche, Codeausführung oder selbstheilendes Tool-Calling aktiviert hast. All diese Funktionen können deine Inferenz verlangsamen. Wenn der Geschwindigkeitsunterschied trotz deaktivierter aller Funktionen immer noch langsamer ist, bitte erstelle ein GitHub-Issue!

**Unterstützt Unsloth Studio OpenAI-kompatible APIs?**\
Ja, siehe unsere [API-Endpunkt-Anleitung hier](/docs/de/grundlagen/api.md).

**Steht Unsloth jetzt unter der Lizenz AGPL-3.0?**\
Unsloth verwendet ein Dual-Licensing-Modell mit Apache 2.0 und AGPL-3.0. Das Kernpaket von Unsloth bleibt 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, lizenziert sind unter [**AGPL-3.0**](https://github.com/unslothai/unsloth?tab=AGPL-3.0-2-ov-file).

Diese Struktur unterstützt die fortlaufende Entwicklung von Unsloth, während das Projekt quelloffen bleibt und das breitere Ökosystem weiter wachsen kann.

**Unterstützt Unsloth nur LLMs?**\
Nein. Unsloth 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-ähnlicher Modelle.

**Kann ich meine eigene Trainingskonfiguration verwenden?**\
Ja. Importiere eine YAML-Konfiguration, und Unsloth füllt die relevanten Einstellungen vorab aus.

**Muss man Modelle trainieren, um die UI zu verwenden?**\
Nein, du kannst einfach jedes GGUF oder Modell herunterladen, ohne ein Modell zu finetunen.

#### 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, um die bestmögliche und einfachste Erfahrung zu bieten.

#### Danksagungen

Ein riesiges Dankeschön an NVIDIA und Hugging Face dafür, dass sie Teil unseres Launches sind. Auch vielen Dank an alle unsere frühen Beta-Tester für Unsloth Studio – wir wissen eure Zeit und euer Feedback wirklich zu schätzen. Außerdem möchten wir llama.cpp, PyTorch und 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, and the optional `goal` query parameter:

```
GET https://unsloth.ai/docs/de/neu/studio.md?ask=<question>&goal=<endgoal>
```

`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.