> 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/fr/commencer/readme.md).

# Docs Unsloth

Unsloth vous permet d’exécuter et d’entraîner des modèles d’IA sur votre propre matériel local via une interface open source.

Notre documentation vous guidera pour exécuter et entraîner votre propre LLM en local.

<a href="/pages/22a56cb154401d43a94d87fa72ce6dfde69b18e3" class="button primary">Commencer</a> <a href="https://github.com/unslothai/unsloth" class="button secondary">Notre GitHub</a>

<table data-view="cards" data-full-width="false"><thead><tr><th></th><th></th><th data-hidden data-card-cover data-type="image">Image de couverture</th><th data-hidden data-card-target data-type="content-ref"></th></tr></thead><tbody><tr><td><strong>Unsloth pour AMD !</strong></td><td>Vous pouvez désormais exécuter et entraîner des modèles sur AMD.</td><td><a href="/files/313e6d9512c8a8c664f8850e03789a810b1c91fa">/files/313e6d9512c8a8c664f8850e03789a810b1c91fa</a></td><td><a href="/pages/7a3835192ce3c923a337ace4fb5e0396c6bb2b8f">/pages/7a3835192ce3c923a337ace4fb5e0396c6bb2b8f</a></td></tr><tr><td><strong>GLM-5.2</strong></td><td>Exécutez localement le modèle ouvert le plus puissant.</td><td><a href="/files/aaf60907cda6839e12bfa8395d1cee1ecc95f58d">/files/aaf60907cda6839e12bfa8395d1cee1ecc95f58d</a></td><td><a href="/pages/5a7cb89811055498b527bf86240cffd678766c37">/pages/5a7cb89811055498b527bf86240cffd678766c37</a></td></tr><tr><td><strong>Unsloth Start</strong></td><td>Connectez votre agent à n’importe quel LLM local.</td><td><a href="/files/1d5ff36b633b9c5ca2861e88053ef26df44ffdab">/files/1d5ff36b633b9c5ca2861e88053ef26df44ffdab</a></td><td><a href="/pages/4e19b143c5717c66d2a17f6ef781988e37a489f2">/pages/4e19b143c5717c66d2a17f6ef781988e37a489f2</a></td></tr><tr><td><strong>DeepSeek-V4</strong></td><td>Exécutez le nouveau modèle Flash de 284B.</td><td><a href="/files/b312c816cc6ee0cb8bc242050dc183e871905054">/files/b312c816cc6ee0cb8bc242050dc183e871905054</a></td><td><a href="/pages/ce872989f38581a2eb254c401a2aafc0ab693291">/pages/ce872989f38581a2eb254c401a2aafc0ab693291</a></td></tr><tr><td><strong>Dynamic NVFP4</strong></td><td>Exécutez des modèles 2x plus vite sur votre GPU Blackwell.</td><td><a href="/files/da2d3a3fc4cd6b100971733646dc0b3ade7001ca">/files/da2d3a3fc4cd6b100971733646dc0b3ade7001ca</a></td><td><a href="/pages/5db2a4f4e955d1494b81b78543492be27b498e75">/pages/5db2a4f4e955d1494b81b78543492be27b498e75</a></td></tr><tr><td><strong>Présentation d’Unsloth Studio</strong></td><td>Nouvelle interface ouverte, sans code, pour entraîner et exécuter des LLM.</td><td><a href="/files/93caac3ea9f36e951db039e5d7f695e27763705e">/files/93caac3ea9f36e951db039e5d7f695e27763705e</a></td><td><a href="/pages/22a56cb154401d43a94d87fa72ce6dfde69b18e3">/pages/22a56cb154401d43a94d87fa72ce6dfde69b18e3</a></td></tr></tbody></table>

{% columns %}
{% column width="50%" %}
{% content-ref url="/pages/41f2e6bbbe116f730cf3549300cf28972e8c72f4" %}
[Complete LLM Directory](/docs/fr/modeles/tutorials.md)
{% endcontent-ref %}

{% content-ref url="/pages/9bbe6f156adffaddead7109d8475ab4a8547be46" %}
[Fine-tuning Guide](/docs/fr/commencer/fine-tuning-llms-guide.md)
{% endcontent-ref %}
{% endcolumn %}

{% column width="50%" %}
{% content-ref url="/pages/ca98e2e30b9d7bfca2555b29e750ac7d5e3e674c" %}
[Models](/docs/fr/commencer/unsloth-model-catalog.md)
{% endcontent-ref %}

{% content-ref url="/pages/d7ed99d74f1997aa8747da14938bbaee3f09d15b" %}
[Unsloth API](/docs/fr/bases/api.md)
{% endcontent-ref %}
{% endcolumn %}
{% endcolumns %}

### ⚡ Démarrage rapide

Unsloth prend en charge MacOS, Linux, [Windows](/docs/fr/commencer/install/windows-installation.md), [NVIDIA](/docs/fr/commencer/install/pip-install.md), [AMD](/docs/fr/commencer/install/amd.md), les configurations Intel et CPU. Voir : [Exigences d'Unsloth](/docs/fr/commencer/fine-tuning-for-beginners/unsloth-requirements.md). Utilisez les mêmes commandes pour mettre à jour :

**MacOS, Linux, WSL :**

```bash
curl -fsSL https://unsloth.ai/install.sh | sh
```

**PowerShell sous Windows :**

```bash
irm https://unsloth.ai/install.ps1 | iex
```

### 👾 Unsloth Start

{% columns %}
{% column width="58.333333333333336%" %}
[Unsloth Start](/docs/fr/integrations/unsloth-start.md) vous permet de connecter [Claude Code](/docs/fr/bases/claude-code.md), [Codex](/docs/fr/bases/codex.md) et d’autres agents à des modèles locaux via la `unsloth start` commande.

Démarrez Unsloth, chargez un modèle, ouvrez votre dossier de projet, puis exécutez :

```bash
unsloth start claude
```

Remplacez `claude` par n’importe quel agent ci-dessous :
{% endcolumn %}

{% column width="41.666666666666664%" %}

<figure><img src="/files/fbc0a7d72b9926bcc48344f2a6975b19548007b1" alt="" width="563"><figcaption><p>Claude Code s’exécutant localement avec Qwen3.5.</p></figcaption></figure>
{% endcolumn %}
{% endcolumns %}

| Agent                                                              | Commande                 |
| ------------------------------------------------------------------ | ------------------------ |
| <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> Agent Hermes                 | `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` |

### 🦥 Pourquoi Unsloth ?

* Nous collaborons directement avec les équipes derrière [gpt-oss](https://docs.unsloth.ai/new/gpt-oss-how-to-run-and-fine-tune#unsloth-fixes-for-gpt-oss), [Qwen3](https://www.reddit.com/r/LocalLLaMA/comments/1kaodxu/qwen3_unsloth_dynamic_ggufs_128k_context_bug_fixes/), [Llama 4](https://github.com/ggml-org/llama.cpp/pull/12889), [Mistral](https://huggingface.co/mistralai/Mistral-Medium-3.5-128B/discussions/18), [Gemma 1-3](https://news.ycombinator.com/item?id=39671146) et [Phi-4](https://unsloth.ai/blog/phi4), où nous avons **corrigé des bugs critiques** qui ont grandement amélioré la précision du modèle. Andrej Karpathy, par exemple, a [salué notre travail](https://x.com/karpathy/status/1765473722985771335).
* Unsloth simplifie l’entraînement local, l’inférence, les données et le déploiement
* Unsloth prend en charge l’inférence et l’entraînement de plus de 500 modèles : [vision](/docs/fr/bases/vision-fine-tuning.md), [TTS](/docs/fr/bases/text-to-speech-tts-fine-tuning.md), [embeddings](/docs/fr/bases/embedding-finetuning.md), [RL](/docs/fr/commencer/reinforcement-learning-rl-guide.md)

### ⭐ Fonctionnalités

Unsloth vous permet d’exécuter et d’entraîner des modèles pour le texte, [audio](https://unsloth.ai/docs/basics/text-to-speech-tts-fine-tuning), [embeddings](https://unsloth.ai/docs/new/embedding-finetuning), [vision](https://unsloth.ai/docs/basics/vision-fine-tuning) et plus encore. Unsloth offre de nombreuses fonctionnalités clés pour l’inférence et l’entraînement :

#### Inférence

* [Appel d’outils auto-réparateur](/docs/fr/nouveau/studio/chat.md#auto-healing-tool-calling) / recherche web et utilisation [Unsloth comme API](/docs/fr/bases/api.md).
* Connectez vos modèles locaux à n’importe quel agent : [Claude Code](/docs/fr/bases/claude-code.md), [Codex](/docs/fr/bases/codex.md), [Hermes](/docs/fr/integrations/hermes-agent.md) et plus encore.
* Recherchez + téléchargez + exécutez n’importe quel modèle, comme des GGUF, des adaptateurs LoRA, des safetensors.
* [Paramètre d’inférence automatique](/docs/fr/nouveau/studio/chat.md#auto-parameter-tuning) ajustement et modification des modèles de conversation.
* [Exportez ou enregistrez](/docs/fr/nouveau/studio/export.md) votre modèle en GGUF, en safetensor 16 bits, etc.
* [Comparez les sorties](/docs/fr/nouveau/studio/chat.md#model-arena) avec deux modèles différents côte à côte.

#### Entraînement

* Entraînez et [RL](/docs/fr/commencer/reinforcement-learning-rl-guide.md) plus de 500 modèles \~2x plus vite avec \~70 % de VRAM en moins (sans perte de précision)
* Prend en charge le fine-tuning complet, le préentraînement, et l’entraînement en 4 bits, 16 bits et FP8.
* [Création automatique de jeux de données](/docs/fr/nouveau/studio/data-recipe.md) à partir de fichiers PDF, CSV, DOCX. Modifiez les données dans un workflow visuel à base de nœuds.
* Observabilité : surveillez l’entraînement en direct, suivez la perte, l’utilisation du GPU, personnalisez les graphiques
* Le plus efficace [**apprentissage par renforcement**](/docs/fr/commencer/reinforcement-learning-rl-guide.md) bibliothèque, utilisant 80 % de VRAM en moins pour GRPO, [FP8](/docs/fr/commencer/reinforcement-learning-rl-guide/fp8-reinforcement-learning.md) etc.
* [Multi-GPU](/docs/fr/bases/multi-gpu-training-with-unsloth.md) fonctionne, mais une bien meilleure version arrive !

### Qu’est-ce que le fine-tuning et le RL ? Pourquoi ?

[**Fine-tuning** un LLM](/docs/fr/commencer/fine-tuning-llms-guide.md) personnalise son comportement, renforce ses connaissances dans un domaine et optimise ses performances pour des tâches spécifiques. En fine-tunant un modèle préentraîné (par ex. Llama-3.1-8B) sur un jeu de données, vous pouvez :

* **Mettre à jour les connaissances** : introduire de nouvelles informations propres au domaine.
* **Personnaliser le comportement** : ajuster le ton, la personnalité ou le style de réponse du modèle.
* **Optimiser pour des tâches** : améliorer la précision et la pertinence pour des cas d’usage spécifiques.

[**L’apprentissage par renforcement (RL)**](/docs/fr/commencer/reinforcement-learning-rl-guide.md) est le domaine où un « agent » apprend à prendre des décisions en interagissant avec un environnement et en recevant **des retours** sous forme de **récompenses** ou **pénalités**.

* **Action :** Ce que le modèle génère (par ex. une phrase).
* **Récompense :** Un signal indiquant si l’action du modèle était bonne ou mauvaise (par ex. la réponse suivait-elle les instructions ? était-elle utile ?).
* **Environnement :** Le scénario ou la tâche sur laquelle le modèle travaille (par ex. répondre à la question d’un utilisateur).

**Exemples de cas d’usage du fine-tuning ou du RL**:

* Permet aux LLM de prédire si un titre a un impact positif ou négatif sur une entreprise.
* Peut utiliser les interactions historiques des clients pour des réponses plus précises et personnalisées.
* Fine-tunez un LLM sur des textes juridiques pour l’analyse de contrats, la recherche jurisprudentielle et la conformité.

Vous pouvez considérer un modèle fine-tuné comme un agent spécialisé conçu pour accomplir des tâches spécifiques plus efficacement. **Le fine-tuning peut reproduire toutes les capacités du RAG** mais pas l’inverse.

{% columns %}
{% column width="50%" %}
{% content-ref url="/pages/17e668a82f6382e48c91ce24710a758a8d7eb23c" %}
[Mises à jour d’Unsloth](/docs/fr/nouveau/changelog.md)
{% endcontent-ref %}

{% content-ref url="/pages/44b6f06033c7dbf3b6521a33337058e295acc604" %}
[Inférence et déploiement](/docs/fr/bases/inference-and-deployment.md)
{% endcontent-ref %}
{% endcolumn %}

{% column width="50%" %}
{% content-ref url="/pages/4e19b143c5717c66d2a17f6ef781988e37a489f2" %}
[Unsloth Start](/docs/fr/integrations/unsloth-start.md)
{% endcontent-ref %}

{% content-ref url="/pages/8e3d570b34072053937ce45a7a2125f403689ec3" %}
[Dynamic 2.0 GGUFs](/docs/fr/bases/unsloth-dynamic-2.0-ggufs.md)
{% endcontent-ref %}
{% endcolumn %}
{% endcolumns %}

<figure><img src="/files/57e63047c6f1d904268843330e7ddf6c6242ab0c" alt="" width="188"><figcaption></figcaption></figure>


---

# 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/fr/commencer/readme.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.