> 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/fine-tuning-for-beginners/unsloth-requirements.md).
# Prérequis d'Unsloth
Unsloth peut être utilisé de deux façons : via [Unsloth Studio](/docs/fr/nouveau/studio/install.md), l’interface web, ou via [Unsloth Core](#unsloth-core-requirements), la version originale basée sur le code. Chacun a des exigences différentes.
## **Exigences d’Unsloth Studio**
* **Mac :** L’entraînement, MLX et l’inférence GGUF sont TOUS pris en charge.
* **CPU : Unsloth fonctionne toujours sans GPU**, pour Chat + les recettes de données.
* **Entraînement :** Fonctionne sur **NVIDIA**, **AMD**, **Intel** GPU et **Mac** appareils
### :windows: Windows**s**
Unsloth Studio fonctionne directement sur Windows sans WSL. Pour entraîner des modèles, assurez-vous que votre système satisfait à ces exigences :
**Prérequis**
* Windows 10 ou Windows 11 (64 bits)
* GPU NVIDIA avec les pilotes installés
* **App Installer** (inclut `winget`): [ici](https://learn.microsoft.com/en-us/windows/msix/app-installer/install-update-app-installer)
* **Git**: `winget install --id Git.Git -e --source winget`
* **Python** : version 3.11 jusqu’à, mais sans inclure, 3.14
* Travaillez dans un environnement Python tel que **uv**, **venv**, ou **conda/mamba**
### :apple: macOS
Unsloth Studio fonctionne sur les appareils macOS avec une prise en charge complète de l’entraînement, de MLX et de l’inférence GGUF.
* macOS 12 Monterey ou plus récent (Intel ou Apple Silicon)
* Installez Homebrew : [ici](https://brew.sh/)
* Git : `brew install git`
* cmake : `brew install cmake`
* openssl : `brew install openssl`
* Python : version 3.11 jusqu’à, mais sans inclure, 3.14
* Travaillez dans un environnement Python tel que **uv**, **venv**, ou **conda/mamba**
### :linux: Linux et WSL
* Ubuntu 20.04+ ou distribution similaire (64 bits)
* GPU NVIDIA avec les pilotes installés
* Boîte à outils CUDA (12.4+ recommandé, 12.8+ pour Blackwell)
* Git : `sudo apt install git`
* Python : version 3.11 jusqu’à, mais sans inclure, 3.14
* Travaillez dans un environnement Python tel que **uv**, **venv**, ou **conda/mamba**
### :microchip: CPU uniquement
Unsloth Studio prend en charge les appareils CPU pour [Chat](#run-models-locally) pour les modèles GGUF et [Recettes de données](/docs/fr/nouveau/studio/data-recipe.md) ([Export](/docs/fr/nouveau/studio/export.md) (bientôt disponible)
* Identiques à ceux mentionnés ci-dessus pour Linux (sauf les pilotes GPU NVIDIA) et macOS.
### **Entraînement**
L’entraînement d’Unsloth Studio fonctionne actuellement sur NVIDIA, [AMD](/docs/fr/commencer/install/amd.md), MLX, et les appareils Intel. Vous pouvez toujours utiliser [Unsloth Core original](#unsloth-requirements) pour entraîner sur des appareils AMD et Intel. **Python 3.11–3.13** est requis.
| Exigence | Linux / WSL | Windows |
| ------------------- | ------------------------------------------- | -------------------------------------------------------- |
| **Git** | Généralement préinstallé | Installé par le script d’installation (`winget`) |
| **CMake** | Préinstallé ou `sudo apt install cmake` | Installé par le script d’installation (`winget`) |
| **Compilateur C++** | `build-essential` | Outils de build Visual Studio 2022 |
| **CUDA Toolkit** | Facultatif ; `nvcc` détecté automatiquement | Installé par le script d’installation (adapté au pilote) |
## Exigences d’Unsloth Core
* **Système d’exploitation** : fonctionne sur Linux et [Windows](https://docs.unsloth.ai/get-started/install-and-update/windows-installation)
* Prend en charge les GPU NVIDIA depuis 2018+, y compris [Blackwell RTX 50](/docs/fr/blog/fine-tuning-llms-with-blackwell-rtx-50-series-and-unsloth.md) et [DGX Spark](/docs/fr/blog/fine-tuning-llms-with-nvidia-dgx-spark-and-unsloth.md)
* Capacité CUDA minimale 7.0 (V100, T4, Titan V, RTX 20 et 50, A100, H100, L40, etc.) [Vérifiez votre GPU !](https://developer.nvidia.com/cuda-gpus) Les GTX 1070 et 1080 fonctionnent, mais sont lentes.
* L’image Docker officielle [Docker d’Unsloth](https://hub.docker.com/r/unsloth/unsloth) `unsloth/unsloth` est disponible sur Docker Hub
* [Docker](/docs/fr/commencer/install/docker.md)
* Unsloth fonctionne sur [AMD](/docs/fr/commencer/install/amd.md) et [Intel](/docs/fr/commencer/install/intel.md) GPU (suivez nos [guides spécifiques](/docs/fr/commencer/install.md)). Apple/Silicon/MLX est en préparation
* Votre appareil devrait disposer de `xformers`, `torch`, `BitsandBytes` et `triton` prise en charge.
* Si vous avez différentes versions de torch, transformers, etc., `pip install unsloth` installera automatiquement toutes les dernières versions de ces bibliothèques, donc vous n’avez pas à vous soucier de la compatibilité des versions.
{% hint style="info" %}
Python 3.13 est pris en charge !
{% endhint %}
### Exigences VRAM pour le fine-tuning :
De combien de mémoire GPU ai-je besoin pour le fine-tuning d’un LLM avec Unsloth ?
{% hint style="info" %}
Un problème courant lorsque vous êtes en OOM ou à court de mémoire vient du fait que vous avez défini une taille de batch trop élevée. Réglez-la sur 1, 2 ou 3 pour utiliser moins de VRAM.
**Pour les benchmarks de longueur de contexte, voir** [**ici**](/docs/fr/bases/unsloth-benchmarks.md#context-length-benchmarks)**.**
{% endhint %}
Consultez ce tableau pour les exigences en VRAM, classées par paramètres du modèle et méthode de fine-tuning. QLoRA utilise du 4 bits, LoRA utilise du 16 bits. Gardez à l’esprit que, parfois, davantage de VRAM est nécessaire selon le modèle, donc ces valeurs sont le minimum absolu :
| Paramètres du modèle | VRAM QLoRA (4 bits) | VRAM LoRA (16 bits) |
| -------------------- | ------------------- | ------------------- |
| 3B | 3,5 Go | 8 Go |
| 7B | 5 Go | 19 Go |
| 8B | 6 Go | 22 Go |
| 9B | 6,5 Go | 24 Go |
| 11B | 7,5 Go | 29 Go |
| 14B | 8,5 Go | 33 Go |
| 27B | 22 Go | 64 Go |
| 32B | 26 Go | 76 Go |
| 40B | 30 Go | 96 Go |
| 70B | 41 Go | 164 Go |
| 81B | 48 Go | 192 Go |
| 90B | 53 Go | 212 Go |
| 405B | 237 Go | 950 Go |
---
# 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/fine-tuning-for-beginners/unsloth-requirements.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.