> 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).

# Documentation 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 dans l’exécution et l’entraînement de 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>DiffusionGemma</strong></td><td>Exécutez et entraînez les nouveaux modèles de texte par diffusion de Google.</td><td><a href="/files/9c1f9e66b9fa18372377dbd9c1c3c0a5e4ee3192">/files/9c1f9e66b9fa18372377dbd9c1c3c0a5e4ee3192</a></td><td><a href="/pages/19ae51ca6b5fe7e2042b990762f52fdc58830d34">/pages/19ae51ca6b5fe7e2042b990762f52fdc58830d34</a></td></tr><tr><td><strong>Guide MTP</strong></td><td>Exécutez Qwen3.6 et Gemma 4 ~2x plus vite !</td><td><a href="/files/98a3e9c7bd57cc2b201732987b0f3de7ed092435">/files/98a3e9c7bd57cc2b201732987b0f3de7ed092435</a></td><td><a href="/pages/8a5380e0865d3d7e5687a50dfdc376839d816086">/pages/8a5380e0865d3d7e5687a50dfdc376839d816086</a></td></tr><tr><td><strong>Gemma 4 QAT</strong></td><td>3x moins de mémoire et une précision quasi identique à l’original.</td><td><a href="/files/522a82d6a2b25a8b1b364b83fe33876802e62f0f">/files/522a82d6a2b25a8b1b364b83fe33876802e62f0f</a></td><td><a href="/pages/37cce83fd1e6ea602111351259e229bf84c8f6e5">/pages/37cce83fd1e6ea602111351259e229bf84c8f6e5</a></td></tr><tr><td><strong>Gemma 4</strong></td><td>Exécutez et entraînez les modèles, y compris Gemma 4 12B</td><td><a href="/files/acef2bf629221d6ee64c998ea956c770bffa46d0">/files/acef2bf629221d6ee64c998ea956c770bffa46d0</a></td><td><a href="/pages/fa9788be3ba8450d14c81331c0249f2201968a40">/pages/fa9788be3ba8450d14c81331c0249f2201968a40</a></td></tr><tr><td><strong>Point de terminaison de l’API Unsloth</strong></td><td>Exécutez l’inférence avec Unsloth via notre nouvelle API.</td><td><a href="/files/d45a2a432067752cb9e94ae45683815637b528e9">/files/d45a2a432067752cb9e94ae45683815637b528e9</a></td><td><a href="/pages/d7ed99d74f1997aa8747da14938bbaee3f09d15b">/pages/d7ed99d74f1997aa8747da14938bbaee3f09d15b</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/9bbe6f156adffaddead7109d8475ab4a8547be46" %}
[Fine-tuning Guide](/docs/fr/commencer/fine-tuning-llms-guide.md)
{% endcontent-ref %}

{% content-ref url="/pages/2bdfa5349e5d636154595876b11e5db5e1f9e9d6" %}
[Carnets Unsloth](/docs/fr/commencer/unsloth-notebooks.md)
{% endcontent-ref %}
{% endcolumn %}

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

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

### 🦥 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 pour plus de 500 modèles : [vision](/docs/fr/notions-de-base/vision-fine-tuning.md), [TTS](/docs/fr/notions-de-base/text-to-speech-tts-fine-tuning.md), [embedding](/docs/fr/notions-de-base/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 plus encore. Unsloth offre de nombreuses fonctionnalités clés pour l’inférence comme pour l’entraînement :

#### Inférence

* Recherchez + téléchargez + exécutez n’importe quel modèle comme les GGUF, les adaptateurs LoRA, les safetensors.
* [Appels d’outils auto-réparateurs](/docs/fr/nouveau/studio/chat.md#auto-healing-tool-calling) / recherche web et utilisation [Unsloth comme API](/docs/fr/notions-de-base/api.md).
* [Paramètre d’inférence automatique](/docs/fr/nouveau/studio/chat.md#auto-parameter-tuning) réglage et modification des modèles de chat.
* [Exporter ou enregistrer](/docs/fr/nouveau/studio/export.md) votre modèle au format 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, 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 par nœuds.
* Observabilité : surveillez l’entraînement en direct, suivez la perte, l’utilisation du GPU, personnalisez les graphiques
* La bibliothèque de [**renforcement learning**](/docs/fr/commencer/reinforcement-learning-rl-guide.md) la plus efficace, 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/notions-de-base/multi-gpu-training-with-unsloth.md) fonctionne, mais une bien meilleure version arrive !

### Démarrage rapide

Unsloth prend en charge MacOS, Linux, [Windows](/docs/fr/commencer/install/windows-installation.md), [NVIDIA](/docs/fr/commencer/install/pip-install.md), Intel et les configurations CPU. Voir : [Configuration requise pour 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
```

#### **Windows PowerShell :**

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

#### Docker

Utilisez notre **image Docker**: [`unsloth/unsloth`](https://hub.docker.com/r/unsloth/unsloth) qui fonctionne actuellement pour Windows, WSL et Linux. La prise en charge de MacOS arrive bientôt.

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

[**Le fine-tuning** d’un LLM](/docs/fr/commencer/fine-tuning-llms-guide.md) personnalise son comportement, enrichit les connaissances du domaine et optimise les performances pour des tâches spécifiques. En affinant un modèle pré-entraîné (par exemple Llama-3.1-8B) sur un jeu de données, vous pouvez :

* **Mettre à jour les connaissances**: Introduire de nouvelles informations spécifiques 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 cas où un « agent » apprend à prendre des décisions en interagissant avec un environnement et en recevant **des retours** sous forme de **récompenses** ou de **punitions**.

* **Action :** Ce que le modèle génère (par ex. une phrase).
* **Récompense :** Un signal indiquant à quel point 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 avec les clients pour des réponses plus précises et personnalisées.
* Affiner un LLM sur des textes juridiques pour l’analyse de contrats, la recherche en jurisprudence et la conformité.

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

{% columns %}
{% column width="50%" %}
{% content-ref url="/pages/a4c177d0cc0d485af2566701bc0c3f6f94175629" %}
[FAQ + L'affinage est-il fait pour moi ?](/docs/fr/commencer/fine-tuning-for-beginners/faq-+-is-fine-tuning-right-for-me.md)
{% endcontent-ref %}

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

{% column width="50%" %}
{% content-ref url="/pages/85e0cbe0d1323be98ebb2569af86994406e2a2d6" %}
[Reinforcement Learning Guide](/docs/fr/commencer/reinforcement-learning-rl-guide.md)
{% endcontent-ref %}

{% content-ref url="/pages/8e3d570b34072053937ce45a7a2125f403689ec3" %}
[Dynamic 2.0 GGUFs](/docs/fr/notions-de-base/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:

```
GET https://unsloth.ai/docs/fr/commencer/readme.md?ask=<question>
```

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.