> 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/start.md). # Mit Unsloth Studio loslegen Unsloth Studio ist eine lokale, browserbasierte GUI zum Feinabstimmen von LLMs, ohne dass Sie Code schreiben müssen. Es verpackt die Trainingspipeline in eine übersichtliche Oberfläche, die das Laden von Modellen, die Formatierung von Datensätzen, die Konfiguration von Hyperparametern und die Live-Überwachung des Trainings übernimmt. Unsloth Datenrezept Export Chat #### Unsloth Studio einrichten Starten Sie zuerst Unsloth Studio entweder mit einer lokalen Installation oder einer Cloud-Option. Folgen Sie der [Installationsanweisungen](/docs/de/neu/studio/install.md) für Ihr Setup, oder nutzen Sie unser [kostenloses Colab](/docs/de/neu/studio.md#google-colab-notebook) Notebook. Für ein lokales Setup führen Sie Folgendes aus: ```bash unsloth studio -H 0.0.0.0 -p 8888 ``` {% columns %} {% column width="50%" %} Öffnen Sie Ihren bevorzugten Browser und gehen Sie zu `http://127.0.0.1:8888`. Sie müssen ein neues Passwort erstellen. **Starten Sie Unsloth sicher mit HTTPS und Cloudflare.** Unsloth bietet jetzt eine sichere Möglichkeit, Unsloth über HTTPS per kostenlosem Cloudflare-Tunnel zu starten. Verwenden Sie das Folgende (funktioniert unter Windows, Mac und Linux): ```bash unsloth studio --secure ``` {% endcolumn %} {% column width="50%" %}

{% endcolumn %} {% endcolumns %} ## Chat - Schnellstart [Unsloth Studio Chat](/docs/de/neu/studio/chat.md) ermöglicht es Ihnen, Modelle zu 100 % offline auf Ihrem Computer auszuführen. Führen Sie Modellformate wie GGUF und Safetensors aus Hugging Face oder aus Ihren lokalen Dateien aus. * **Herunterladen + Ausführen** jedes Modell wie GGUFs, feinabgestimmte Adapter, Safetensors usw. * [**Vergleichen** anderes Modell](#model-arena) Ausgaben nebeneinander * **Hochladen** Dokumente, Bilder und Audio in Ihren Prompts * [**Anpassen** Inferenz](#generation-settings) Einstellungen wie: Temperatur, Top-p, Top-k und System-Prompt

Sie können unser ausführliches Tutorial / unseren Leitfaden zum Ausführen von Modellen mit Unsloth Studio hier lesen: {% content-ref url="/pages/73168493b14a89fa27e95b776ade6bd93679a3e5" %} [Studio Chat](/docs/de/neu/studio/chat.md) {% endcontent-ref %} ### Anleitung zum Laden von Modellen Bevor Sie die API verwenden, müssen Sie das **Modell laden** das Sie verwenden möchten in **Unsloth.** Öffne die **Modell auswählen** Dropdown-Menü in der oberen linken Ecke der Chat-Seite.

{% hint style="info" %} Sind Sie auf einer anderen Seite? Verwenden Sie die linke Seitenleiste und klicken Sie auf `Neuer Chat` um zur Chat-Seite zurückzukehren. {% endhint %} {% columns %} {% column width="50%" %} #### Modell auswählen Verwenden Sie die Suchleiste, um das Modell zu finden, das Sie in Unsloth laden möchten. Durchsuchen Sie empfohlene Modelle, suchen Sie direkt nach Hugging Face-Modellen oder legen Sie ein benutzerdefiniertes Modellverzeichnis fest. Lokal trainierte und exportierte Modelle können über den Tab \`Fine-tuned\` geladen werden. {% endcolumn %} {% column width="50%" %}

{% endcolumn %} {% endcolumns %} {% columns %} {% column %} #### GGUF-Auswahl Modell-Repositories enthalten mehrere Quantisierungen. Wählen Sie die Quantisierung, die am besten zu Ihrem verfügbaren RAM / VRAM passt.\n\nIn diesem Leitfaden verwenden wir `unsloth/gemma-4-26B-A4B-it-GGUF` und wählen Sie die empfohlene `UD-Q4_K_XL` Variante {% endcolumn %} {% column %}

{% endcolumn %} {% endcolumns %} #### Das Modell herunterladen {% columns %} {% column %} Suchen Sie nach dem Modell, das Sie verwenden möchten, und dann **klicken Sie darauf** um mit dem Herunterladen und Laden zu beginnen. Nachdem Sie eine Modellvariante ausgewählt haben, beginnt Unsloth, das Modell herunterzuladen und in den Speicher zu laden. Sobald das Laden abgeschlossen ist, sehen Sie die folgende Bestätigung: {% endcolumn %} {% column %}

{% endcolumn %} {% endcolumns %} Das Modell ist geladen und einsatzbereit. Sie können jetzt direkt in Unsloth mit dem Modell chatten oder es mit Tools wie [Claude Code](/docs/de/grundlagen/claude-code.md) und [Codex](/docs/de/grundlagen/codex.md).

## Unsloth - Schnellstart Die Unsloth Studio-Startseite hat 4 Hauptbereiche: [Modell](#id-1.-select-model-and-method), [Datensatz](#id-2.-dataset), [Parameter](#id-3.-hyperparameters), und [Training/Konfiguration](#id-4.-training-and-config) * **Einfache Einrichtung für Modelle und Daten** aus Hugging Face oder lokalen Dateien * **Flexible Trainingsoptionen** wie QLoRA, LoRA oder vollständiges Fine-Tuning, mit ausgefüllten Standardwerten * **Hilfreiche Konfigurationstools** für Splits, Spaltenzuordnung, Hyperparameter und YAML-Konfigurationen * **Gute Trainingsübersicht** mit Live-Fortschritt, GPU-Statistiken, Diagrammen und Startstatus

### 1. Modell und Methode auswählen #### **Modelltyp** Wählen Sie die Modalität, die zu Ihrem Anwendungsfall passt: | Typ | Anwendungsfall | | -------------- | --------------------------------------------- | | **Text** | Chat, Anweisungen befolgen, Vervollständigung | | **Vision** | Bild + Text (VLMs) | | **Audio** | Sprach-/Audioverständnis | | **Embeddings** | Satz-Embeddings, Retrieval | #### **Trainingsmethode** Drei Methoden sind verfügbar und werden mit einem Pillen-Auswahlschalter umgeschaltet: | Methode | Beschreibung | VRAM | | ----------------------------- | ---------------------------------------------- | -------------- | | **QLoRA** | 4-Bit-quantisiertes Basismodell + LoRA-Adapter | Am niedrigsten | | **LoRA** | Basismodell in Vollpräzision + LoRA-Adapter | Mittel | | **Vollständiges Fine-Tuning** | Alle Gewichte werden trainiert | Am höchsten | Geben Sie einen beliebigen Hugging Face-Modellnamen ein oder suchen Sie den Hub direkt über das Kombinationsfeld. Lokal gespeicherte Modelle unter `~/.unsloth/studio/models` und Ihr Hugging Face-Cache erscheinen ebenfalls in der Liste. {% hint style="warning" %} Modelle im GGUF-Format sind vom Training ausgeschlossen - sie sind nur für die Inferenz. {% endhint %} Wenn Sie ein Modell auswählen, ruft Unsloth automatisch seine Konfiguration vom Backend ab und füllt sinnvolle Standardwerte für alle Hyperparameter vorab aus. **Hugging Face-Token** Fügen Sie hier Ihren Hugging Face-Zugriffstoken ein, wenn das Modell eingeschränkt ist (z. B. Llama, Gemma). Der Token wird in Echtzeit validiert und bei Ungültigkeit wird direkt eine Fehlermeldung angezeigt. ### 2. Datensatz {% columns %} {% column %} Wechseln Sie zwischen zwei Tabs, um auszuwählen, woher Ihre Daten stammen: * **Hugging Face Hub** - Live-Suche im Hub. Das Datum der letzten Aktualisierung wird für jedes Ergebnis angezeigt. * **Lokal** - per Drag-and-Drop oder Klick eine Datei hochladen, unstrukturierte oder strukturierte Dateien wie: `PDF`, `DOCX`, `JSONL`, `JSON`, `CSV`, oder `Parquet` Format. Zuvor hochgeladene Datensätze erscheinen in einer Liste, die sich automatisch aktualisiert. Sie können unseren ausführlichen [Datensatz-Leitfaden hier ansehen](/docs/de/loslegen/fine-tuning-llms-guide/datasets-guide.md). Weisen Sie Unsloth an, wie Ihre Daten interpretiert und formatiert werden sollen: {% endcolumn %} {% column %}

{% endcolumn %} {% endcolumns %} | Format | Wann verwenden | | ---------- | -------------------------------------------------- | | `auto` | Lassen Sie Unsloth das Format automatisch erkennen | | `alpaca` | `Anweisung` / `Eingabe` / `Ausgabe` Spalten | | `chatml` | OpenAI-Stil `Nachrichten` Array | | `sharegpt` | ShareGPT-artige Unterhaltungen | **Splits und Slicing** * **Teilmenge** - wird automatisch aus der Dataset-Karte befüllt. * **Trainings-Split / Eval-Split** - wählen Sie aus, welche Splits verwendet werden sollen. Das Festlegen eines Eval-Splits aktiviert das **Eval-Verlust** Diagramm während des Trainings. * **Datensatz-Ausschnitt** - das Training optional auf einen Zeilenbereich (Startindex / Endindex) für schnelle Experimente begrenzen. **Spaltenzuordnung** Wenn Unsloth Ihre Datensatzspalten nicht automatisch den richtigen Rollen zuordnen kann, öffnet sich ein **Datensatzvorschau-Dialog** Er zeigt Beispielzeilen und lässt Sie jede Spalte zuordnen zu `Anweisung`, `Eingabe`, `Ausgabe`, `Bilder`, usw. Vorgeschlagene Zuordnungen werden, wo möglich, vorab ausgefüllt. ### 3. Hyperparameter Parameter sind in einklappbare Abschnitte gruppiert. Sie können unsere ausführliche [Anleitung zu LoRA-Hyperparametern](/docs/de/loslegen/fine-tuning-llms-guide/lora-hyperparameters-guide.md) hier: {% content-ref url="/pages/ce825bbf83c91ef73a7fc71d696bd3d1ecc78590" %} [Hyperparameters Guide](/docs/de/loslegen/fine-tuning-llms-guide/lora-hyperparameters-guide.md) {% endcontent-ref %} | Parameter | Standard | Anmerkungen | | --------------------- | -------- | ------------------------------------------ | | **Maximale Schritte** | `0` | `0` bedeutet stattdessen Epochen verwenden | | **Kontextlänge** | `2048` | Optionen: 512 → 32768 | | **Lernrate** | `2e-4` | | **LoRA-Einstellungen** *(Ausgeblendet, wenn Vollständiges Fine-Tuning ausgewählt ist)* | Parameter | Standard | Anmerkungen | | ----------------- | -------- | --------------------------------------------------------------------------- | | **Rang** | `16` | Schieberegler 4–128 | | **Alpha** | `32` | Schieberegler 4–256 | | **Dropout** | `0.05` | | | **LoRA-Variante** | `LoRA` | `LoRA` / `RS-LoRA` / `LoftQ` | | **Zielmodule** | Alle an | `q_proj`, `k_proj`, `v_proj`, `o_proj`, `gate_proj`, `up_proj`, `down_proj` | Für **Vision** Bei Modellen mit einem Bilddatensatz erscheinen vier zusätzliche Kontrollkästchen. Feinabstimmung: | Vision-Layer | Sprach-Layer | Attention-Module | MLP-Module | | ------------ | ------------ | ---------------- | ---------- | **Trainings-Hyperparameter** In drei Tabs organisiert: {% tabs %} {% tab title="Optimierung" %} | Parameter | Standard | | ---------------------- | ----------- | | Epochen | 3 | | Batch-Größe | 4 | | Gradientenakkumulation | 8 | | Gewichtszerfall | 0.01 | | Optimierer | AdamW 8-Bit | {% endtab %} {% tab title="Plan" %} | Parameter | Standard | | ---------------------------------- | -------- | | LR-Scheduler | linear | | Warmup-Schritte | 5 | | Gradient-Checkpointing | unsloth | | Zufalls-Seed | 3407 | | Speicherschritte | 0 | | Eval-Schritte | 0 | | Packen | false | | Auf Vervollständigungen trainieren | false | | {% endtab %} | | {% tab title="Protokollierung" %} | Parameter | Standard | | ------------------------ | -------------- | | W\&B aktivieren | false | | W\&B-Projekt | llm-finetuning | | TensorBoard aktivieren | false | | TensorBoard-Verzeichnis | runs | | Protokollierungsfrequenz | 10 | | {% endtab %} | | | {% endtabs %} | | {% hint style="info" %} [**Unsloth Gradient Checkpointing**](/docs/de/blog/500k-context-length-fine-tuning.md#unsloth-gradient-checkpointing-enhancements)**: `unsloth`** verwendet die benutzerdefinierte speichereffiziente Implementierung von Unsloth, die den VRAM-Verbrauch im Vergleich zur Standard-PyTorch-Option erheblich reduzieren kann. Dies ist die empfohlene Standardeinstellung. {% endhint %} ### 4. Training und Konfiguration Die Karte unten rechts enthält drei Schaltflächen zur Konfigurationsverwaltung sowie die **Start Training** Schaltfläche. | Schaltfläche | Aktion | | ---------------- | ------------------------------------------------------------- | | **Hochladen** | Eine zuvor gespeicherte `.yaml` Konfigurationsdatei | | **Speichern** | Die aktuelle Konfiguration nach YAML exportieren | | **Zurücksetzen** | Alle Parameter auf die Standardwerte des Modells zurücksetzen | Die Schaltfläche Start Training bleibt deaktiviert, bis sowohl ein Modell als auch ein Datensatz konfiguriert sind. Validierungsfehler erscheinen inline - zum Beispiel, wenn Evaluierungsschritte festgelegt werden, ohne einen Eval-Split auszuwählen, oder wenn ein reines Textmodell mit einem Bilddatensatz kombiniert wird. #### Ladebildschirm {% columns %} {% column %} Nachdem Sie auf **Start Training**geklickt haben, erscheint ein bildschirmfüllendes Overlay, während das Backend alles vorbereitet.

{% endcolumn %} {% column %} Das Overlay zeigt ein animiertes Terminal mit Live-Phasen-Updates: * Blau: Modell / Datensatz wird heruntergeladen * Bernstein: Modell / Datensatz wird geladen * Blau: Konfiguration läuft * Grün: Training Sie können jederzeit mit der **×** Schaltfläche in der Ecke abbrechen. Vor dem Stoppen wird ein Bestätigungsdialog angezeigt. {% endcolumn %} {% endcolumns %} ### Trainingsfortschritt und Beobachtbarkeit Sobald der erste Trainingsschritt erreicht ist, schließt sich das Overlay und die Live-Trainingsansicht wird angezeigt. Der Fine-Tuning-Prozess ist abgeschlossen, wenn die Schritte auf dem Fortschrittsbalken 100 % erreichen. Sie können die verstrichene Zeit und die Token anzeigen.

{% columns %} {% column %} #### Statusbereich Die linke Spalte zeigt: * **Epoche** - aktuelle gebrochene Epoche (z. B. `Epoche 1.23`) * **Fortschrittsbalken** - schrittbasiert, mit Prozentangabe * **Wichtige Metriken**: * **Verlust** - Trainingsverlust auf 4 Dezimalstellen * **LR** - aktuelle Lernrate in wissenschaftlicher Notation * **Gradientennorm** - Gradientennorm * **Modell** - das trainierte Modell * **Methode** - `QLoRA` / `LoRA` / `Voll` * **Zeitzeile** - vergangene Zeit, ETA, Schritte pro Sekunde und insgesamt verarbeitete Token {% endcolumn %} {% column %} #### GPU-Monitor Die rechte Spalte zeigt Live-GPU-Statistiken, die alle paar Sekunden abgefragt werden: * **Auslastung** - Prozentbalken * **Temperatur** - °C-Balken * **VRAM** - verwendet / insgesamt GB * **Leistung** - Leistungsaufnahme / Limit in Watt #### Training stoppen Verwenden Sie die **Training stoppen** Schaltfläche oben rechts auf der Fortschrittskarte. Ein Dialog bietet Ihnen zwei Optionen: * **Stoppen & Speichern** - speichert einen Checkpoint vor dem Stoppen * **Abbrechen** - stoppt sofort ohne Checkpoint {% endcolumn %} {% endcolumns %} {% columns %} {% column %} #### Diagramme Vier Live-Diagramme aktualisieren sich während des Trainingsverlaufs: 1. **Trainingsverlust** - Rohwerte sowie eine EMA-geglättete Linie und eine Referenzlinie des laufenden Durchschnitts 2. **Lernrate** - die LR-Schedule-Kurve 3. **Gradientennorm** - Gradientennorm über die Schritte 4. **Eval-Verlust** - wird nur angezeigt, wenn Sie einen Eval-Split konfiguriert haben {% endcolumn %} {% column %}

{% endcolumn %} {% endcolumns %} {% columns %} {% column %} Jedes Diagramm hat Einstellungen (Zahnradsymbol) mit: | Option | Standard | | --------------------------- | ---------------------------------------- | | Anzeigefenster | Schieberegler für die letzten N Schritte | | EMA-Glättung | `0.6` | | Roh anzeigen | Unter | | Geglättet anzeigen | Unter | | Durchschnittslinie anzeigen | Unter | | Skalierung (pro Datenreihe) | Linear / Log | | Ausreißer-Clipping | Kein Clipping / p99 / p95 | | {% endcolumn %} | | {% column %}

{% endcolumn %} {% endcolumns %} #### Konfigurationsdateien {% columns %} {% column %} Alle Trainingskonfigurationen können als YAML-Dateien gespeichert und erneut geladen werden. Die Dateien werden automatisch benannt als: ``` {model}_{method}_{dataset}_{timestamp}.yaml ``` {% endcolumn %} {% column %}

{% endcolumn %} {% endcolumns %} Die YAML-Datei ist in drei Abschnitte gegliedert: {% code expandable="true" %} ```yaml training: max_steps: 0 num_train_epochs: 3 per_device_train_batch_size: 4 ... lora: r: 16 lora_alpha: 32 ... logging: report_to: none ... ``` {% endcode %} Das erleichtert es, Läufe zu reproduzieren, Konfigurationen zu teilen oder Ihre Experimente per Versionskontrolle zu verwalten. ## Data Recipes - Schnellstart [Unsloth Data Recipes](/docs/de/neu/studio/data-recipe.md) ermöglicht es Ihnen, Dokumente wie PDFs oder CSV-Dateien hochzuladen und sie in nutzbare Datensätze umzuwandeln. Erstellen und bearbeiten Sie Datensätze visuell über einen Graph-Knoten-Workflow. Die Rezepte-Seite ist der zentrale Einstiegspunkt. Rezepte werden lokal im Browser gespeichert, sodass Sie später zu gespeicherten Arbeiten zurückkehren können. Von hier aus können Sie ein leeres Rezept erstellen oder ein geführtes Lernrezept öffnen.

Data Recipes folgt demselben grundlegenden Ablauf. Sie öffnen die Rezepte-Seite, erstellen oder wählen ein Rezept aus, bauen den Workflow im Editor auf, validieren ihn, führen eine Vorschau aus und starten dann den vollständigen Datensatz, sobald die Ausgabe gut aussieht. Fügen Sie Seed-Daten und Generierungsblöcke hinzu, validieren Sie den Workflow, sehen Sie sich Beispielausgaben in der Vorschau an und erstellen Sie dann einen vollständigen Datensatz-Build. Unsloth Data Recipes wird von NVIDIA DataDesigner angetrieben [DataDesigner](https://github.com/NVIDIA-NeMo/DataDesigner). Auf den ersten Blick sollte ein üblicher Workflow so aussehen: 1. Öffnen Sie die Rezepte-Seite. 2. Erstellen Sie ein neues Rezept oder öffnen Sie ein vorhandenes. 3. Fügen Sie Blöcke hinzu, um Ihren Datensatz-Workflow zu definieren. 4. Klicken Sie auf **Validieren** um Konfigurationsprobleme frühzeitig zu erkennen. 5. Führen Sie eine Vorschau aus, um Beispielzeilen schnell zu prüfen. 6. Führen Sie einen vollständigen Datensatzaufbau aus, wenn das Rezept bereit ist. 7. Überprüfen Sie Fortschritt und Ausgabe live im Diagramm oder in **Ausführungen** Ansicht für weitere Details. 8. Wählen Sie den resultierenden Datensatz in **Unsloth** und feintunen Sie ein Modell. ## Export - Schnellstart Verwenden Sie in Unsloth Studio 'Export', um Modelle in GGUF, Safetensors oder LoRA für den Einsatz, das Teilen oder die lokale Inferenz in Unsloth, llama.cpp, Ollama, vLLM und mehr zu exportieren, zu speichern oder zu konvertieren. Exportieren Sie einen trainierten Checkpoint oder konvertieren Sie ein beliebiges vorhandenes Modell.

Sie können unser ausführliches Tutorial / unseren Leitfaden zum Exportieren von Modellen mit Unsloth Studio hier lesen: {% content-ref url="/pages/13c9d0063a9732a68734b74792f3e30153873bf4" %} [Model Export](/docs/de/neu/studio/export.md) {% endcontent-ref %} ## Video-Tutorial {% hint style="warning" %} Die in den Videos gezeigten Unsloth-Studio-Versionen sind alt und spiegeln nicht die aktuelle Version wider. {% endhint %} {% columns %} {% column %} {% embed url="" %} Hier ist ein von NVIDIA erstelltes Video-Tutorial, das Ihnen den Einstieg in Unsloth erleichtert: {% endcolumn %} {% column %} {% embed url="" %} Video-Tutorial: So installieren Sie Unsloth Studio {% endcolumn %} {% endcolumns %} ## Erweiterte Einstellungen ### CLI-Befehle Die Unsloth-CLI (`cli.py`) bietet die folgenden Befehle an: ``` Verwendung: cli.py [COMMAND] Befehle: train Ein Modell feinabstimmen inference Inferenz auf einem trainierten Modell ausführen export Einen trainierten Adapter exportieren list-checkpoints Gespeicherte Checkpoints auflisten ui Die Web-UI von Unsloth Studio starten studio Das Studio starten (Alias) ``` ### Projektstruktur {% code expandable="true" %} ``` new-ui-prototype/ ├── cli.py # CLI-Einstiegspunkt ├── cli/ # Typer-CLI-Befehle │ └── commands/ │ ├── train.py │ ├── inference.py │ ├── export.py │ ├── ui.py │ └── studio.py ├── setup.sh # Bootstrap-Skript (Linux / WSL / Colab) ├── setup.ps1 # Bootstrap-Skript (Windows nativ) ├── setup.bat # Wrapper zum Starten von setup.ps1 per Doppelklick ├── install_python_stack.py # Plattformübergreifender Python-Abhängigkeitsinstaller └── studio/ ├── backend/ │ ├── main.py # FastAPI-App & Middleware │ ├── run.py # Server-Launcher (uvicorn) │ ├── auth/ # Auth-Speicher & JWT-Logik │ ├── routes/ # API-Routen-Handler │ │ ├── training.py │ │ ├── models.py │ │ ├── inference.py │ │ ├── datasets.py │ │ └── auth.py │ ├── models/ # Pydantic-Anfrage-/Antwortschemata │ ├── core/ # Trainings-Engine & Konfiguration │ ├── utils/ # Hardwareerkennung, Hilfsfunktionen │ └── requirements.txt ├── frontend/ │ ├── src/ │ │ ├── features/ # Feature-Module │ │ │ ├── auth/ # Login-/Registrierungsablauf │ │ │ ├── training/ # Trainingskonfiguration & Monitoring │ │ │ ├── studio/ # Hauptarbeitsbereich des Studios │ │ │ ├── chat/ # Chat-UI für Inferenz │ │ │ ├── export/ # Modell-Exportablauf │ │ │ └── onboarding/# Onboarding-Assistent │ │ ├── components/ # Gemeinsam genutzte UI-Komponenten (shadcn) │ │ ├── hooks/ # Benutzerdefinierte React-Hooks │ │ ├── stores/ # Zustand-State-Stores │ │ └── types/ # TypeScript-Typdefinitionen │ ├── package.json │ └── vite.config.ts └── tests/ # Backend-Test-Suite ``` {% endcode %} ### API-Referenz Alle Endpunkte erfordern ein gültiges JWT `Authorization: Bearer ` Header (außer `/api/auth/*` und `/api/health`). | Methode | Endpunkt | Beschreibung | | ------- | --------------------- | ------------------------------------------------------------- | | `GET` | `/api/health` | Gesundheitsprüfung | | `GET` | `/api/system` | Systeminformationen (GPU, CPU, Arbeitsspeicher) | | `POST` | `/api/auth/signup` | Konto erstellen (erfordert beim ersten Start ein Setup-Token) | | `POST` | `/api/auth/login` | Anmelden und JWT-Token erhalten | | `POST` | `/api/auth/refresh` | Ein abgelaufenes Access-Token aktualisieren | | `GET` | `/api/auth/status` | Prüfen, ob die Authentifizierung initialisiert ist | | `POST` | `/api/train/start` | Einen Trainingsjob starten | | `POST` | `/api/train/stop` | Einen laufenden Trainingsjob stoppen | | `POST` | `/api/train/reset` | Trainingszustand zurücksetzen | | `GET` | `/api/train/status` | Aktuellen Trainingsstatus abrufen | | `GET` | `/api/train/metrics` | Trainingsmetriken abrufen (Loss, LR, Schritte) | | `GET` | `/api/train/stream` | SSE-Stream des Trainingsfortschritts in Echtzeit | | `GET` | `/api/models/` | Verfügbare Modelle auflisten | | `POST` | `/api/inference/chat` | Eine Chat-Nachricht für die Inferenz senden | | `GET` | `/api/datasets/` | Datensätze auflisten / verwalten | --- # 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/start.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.