> 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/docs.md).

# Documentation Unsloth

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

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

<a href="https://unsloth.ai/download" class="button primary" data-icon="down-to-bracket">Télécharger Unsloth</a><a href="/pages/a2cb69fdb02672100647f9915c4c045e72a3cf21#features" class="button secondary" data-icon="sparkles">Fonctionnalités</a><a href="https://github.com/unslothai/unsloth" class="button secondary" data-icon="github">GitHub</a>

<table data-card-size="large" data-view="cards"><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><h4>Présentation d’Unsloth Desktop</h4></td><td>La première application de bureau pour exécuter et entraîner des LLM et des modèles de diffusion.</td><td><a href="/files/bd1056cd0f42970298b045b62398e6074e2c50a0">/files/bd1056cd0f42970298b045b62398e6074e2c50a0</a></td><td><a href="/pages/a2cb69fdb02672100647f9915c4c045e72a3cf21">/pages/a2cb69fdb02672100647f9915c4c045e72a3cf21</a></td></tr><tr><td><h4>Qwen3.8-27B est arrivé !</h4></td><td>Exécutez Qwen3.8-27B et Qwen3.8-2.4T dans Unsloth !</td><td><a href="/files/f7b535bc4802a777e5e2c973f687e79d79f07144">/files/f7b535bc4802a777e5e2c973f687e79d79f07144</a></td><td><a href="/pages/901b8ef66232f3df49c12342d74d59aa06381de8">/pages/901b8ef66232f3df49c12342d74d59aa06381de8</a></td></tr></tbody></table>

<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>GGUF dynamiques V3.0</strong></td><td>Nouvelles quantifications dynamiques Unsloth 3.0 pour Qwen3.8.</td><td><a href="/files/a89afc2140db490ee42b9e3dcf5f95b78ad56f66">/files/a89afc2140db490ee42b9e3dcf5f95b78ad56f66</a></td><td><a href="/pages/8e3d570b34072053937ce45a7a2125f403689ec3">/pages/8e3d570b34072053937ce45a7a2125f403689ec3</a></td></tr><tr><td><strong>Meta Muse Glimmer</strong></td><td>Le nouveau modèle ouvert 30B de Meta.</td><td><a href="/files/dcbb358467e9fc65a45bd3fbdca84862fe46ed83">/files/dcbb358467e9fc65a45bd3fbdca84862fe46ed83</a></td><td><a href="/pages/d32dbabf6b92a421d130c5afc1758f41eb521195">/pages/d32dbabf6b92a421d130c5afc1758f41eb521195</a></td></tr><tr><td><strong>DeepSeek-V4-Flash-0731</strong></td><td>Le nouveau modèle 284B sorti le 31 juillet.</td><td><a href="/files/92af55e5d9b69aa1ff90dab784cab2118b96a6ed">/files/92af55e5d9b69aa1ff90dab784cab2118b96a6ed</a></td><td><a href="/pages/ce872989f38581a2eb254c401a2aafc0ab693291">/pages/ce872989f38581a2eb254c401a2aafc0ab693291</a></td></tr></tbody></table>

### ⚡ 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), Intel et les configurations CPU. Voir : [Prérequis Unsloth](/docs/fr/commencer/fine-tuning-for-beginners/unsloth-requirements.md). Téléchargez l’application de bureau native pour votre système d’exploitation :

<a href="https://unsloth.ai/download" class="button primary" data-icon="down-to-bracket">Télécharger Unsloth Desktop</a>

* <i class="fa-apple">:apple:</i> [Télécharger pour macOS](https://unsloth.ai/download/mac)
* <i class="fa-windows">:windows:</i> [Télécharger pour Windows](https://unsloth.ai/download/windows)
* <i class="fa-linux">:linux:</i> [Télécharger pour Linux](https://unsloth.ai/download/linux)

Ou, si vous préférez l’installation manuelle :

**macOS, Linux, WSL :**

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

**Windows PowerShell :**

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

{% 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 %}

Puis ouvrez `http://127.0.0.1:8888` (ou votre URL spécifique) dans votre navigateur.

### 👾 Démarrage d’Unsloth

{% 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 aux 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 exécuté 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> 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` |

### 🦥 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** ce qui a 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 pour plus de 500 modèles : [vision](/docs/fr/bases/vision-fine-tuning.md), [TTS](/docs/fr/bases/text-to-speech-tts-fine-tuning.md), [embedding](/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, [l’audio](https://unsloth.ai/docs/basics/text-to-speech-tts-fine-tuning), [embedding](https://unsloth.ai/docs/new/embedding-finetuning), [vision](https://unsloth.ai/docs/basics/vision-fine-tuning) et bien plus encore. Unsloth fournit 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 les GGUF, les adaptateurs LoRA, les safetensors.
* [Paramétrage automatique des paramètres d’inférence](/docs/fr/nouveau/studio/chat.md#auto-parameter-tuning) et modification des modèles de conversation.
* [Exporter ou enregistrer](/docs/fr/nouveau/studio/export.md) votre modèle en GGUF, safetensor 16 bits, etc.
* [Comparer 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 pré-entraînement, ainsi que l’entraînement en 4 bits, 16 bits et FP8.
* [Créer automatiquement des jeux de données](/docs/fr/nouveau/studio/data-recipe.md) à partir de fichiers PDF, CSV, DOCX. Modifiez les données dans un flux de travail visuel à base de nœuds.
* Observabilité : surveillez l’entraînement en direct, suivez la perte, l’utilisation du GPU, personnalisez les graphiques
* La bibliothèque d’apprentissage par renforcement la plus efficace [**d’apprentissage par renforcement**](/docs/fr/commencer/reinforcement-learning-rl-guide.md) 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 bientôt !

### **Modèles les plus récents**

<table data-column-title-hidden data-card-wrap="false" data-view="cards"><thead><tr><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><h4>Qwen3.8</h4></td><td><a href="/files/f7b535bc4802a777e5e2c973f687e79d79f07144">/files/f7b535bc4802a777e5e2c973f687e79d79f07144</a></td><td><a href="/pages/901b8ef66232f3df49c12342d74d59aa06381de8">/pages/901b8ef66232f3df49c12342d74d59aa06381de8</a></td></tr><tr><td><h4>Meta Muse Glimmer</h4></td><td><a href="/files/dcbb358467e9fc65a45bd3fbdca84862fe46ed83">/files/dcbb358467e9fc65a45bd3fbdca84862fe46ed83</a></td><td></td></tr><tr><td><h4>Kimi K3</h4></td><td><a href="/files/7ff5eac67d34d4e9f7f003a189b88d41fbb6dfa8">/files/7ff5eac67d34d4e9f7f003a189b88d41fbb6dfa8</a></td><td><a href="/pages/07e30a8dcb33df37dfe47914f17848e02495e2b6">/pages/07e30a8dcb33df37dfe47914f17848e02495e2b6</a></td></tr><tr><td><h4>DeepSeek V4</h4></td><td><a href="/files/b312c816cc6ee0cb8bc242050dc183e871905054">/files/b312c816cc6ee0cb8bc242050dc183e871905054</a></td><td><a href="/pages/ce872989f38581a2eb254c401a2aafc0ab693291">/pages/ce872989f38581a2eb254c401a2aafc0ab693291</a></td></tr><tr><td><h4>Qwen3.6</h4></td><td><a href="/files/cf504ebacb40fa34e1dfedcb0a07f852a7879906">/files/cf504ebacb40fa34e1dfedcb0a07f852a7879906</a></td><td><a href="/pages/4a2b83ac4bf0233da80a1e3b6ab9fb218108742c">/pages/4a2b83ac4bf0233da80a1e3b6ab9fb218108742c</a></td></tr><tr><td><h4>GLM-5.2</h4></td><td><a href="/files/aaf60907cda6839e12bfa8395d1cee1ecc95f58d">/files/aaf60907cda6839e12bfa8395d1cee1ecc95f58d</a></td><td><a href="/pages/5a7cb89811055498b527bf86240cffd678766c37">/pages/5a7cb89811055498b527bf86240cffd678766c37</a></td></tr><tr><td><h4>Gemma 4</h4></td><td><a href="/files/acef2bf629221d6ee64c998ea956c770bffa46d0">/files/acef2bf629221d6ee64c998ea956c770bffa46d0</a></td><td><a href="/pages/fa9788be3ba8450d14c81331c0249f2201968a40">/pages/fa9788be3ba8450d14c81331c0249f2201968a40</a></td></tr><tr><td><h4>MiniMax M3</h4></td><td><a href="/files/33f94c123e1f7e7b0cf9081aa77699f4ecddaef9">/files/33f94c123e1f7e7b0cf9081aa77699f4ecddaef9</a></td><td><a href="/pages/ea7b276c92e2e5c4a9c6d2ce402ed36497ba66b2">/pages/ea7b276c92e2e5c4a9c6d2ce402ed36497ba66b2</a></td></tr><tr><td><h4>DiffusionGemma</h4></td><td><a href="/files/068069be3da98fa65f1b590f818fe1075721cd58">/files/068069be3da98fa65f1b590f818fe1075721cd58</a></td><td><a href="/pages/19ae51ca6b5fe7e2042b990762f52fdc58830d34">/pages/19ae51ca6b5fe7e2042b990762f52fdc58830d34</a></td></tr></tbody></table>

### **Démo vidéo**

{% embed url="<https://www.youtube.com/watch?v=_1hgTTuber4>" %}

{% 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 3.0 GGUFs](/docs/fr/bases/dynamic-3.0-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/docs.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.