> 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 Unsloth Voici les prérequis pour Unsloth, y compris les exigences système et la VRAM du GPU. Unsloth peut être utilisé de trois façons : notre [Unsloth Desktop](/docs/fr/desktop.md) appli, notre [Unsloth Studio](/docs/fr/nouveau/studio/install.md) interface web, ou via [Unsloth Core](#unsloth-core-requirements), la version originale basée sur le code. Chacune a des exigences différentes. ## **Exigences d'Unsloth** * **Mac :** L'entraînement, l'inférence MLX et GGUF sont TOUS pris en charge. * **CPU : Unsloth fonctionne toujours sans GPU**, pour les recettes Chat + Data. * **Entraînement :** Fonctionne sur **NVIDIA**, **AMD**, **Intel** GPU et **Mac** appareils ### :windows: Window**s** Unsloth Studio fonctionne directement sur Windows sans WSL. Pour entraîner des modèles, assurez-vous que votre système satisfait à ces exigences : **Exigences** * Windows 10 ou Windows 11 (64 bits) * GPU NVIDIA avec 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 pilotes installés * CUDA toolkit (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) ([Exporter](/docs/fr/nouveau/studio/export.md) (arrive très bientôt) * Les mêmes que ceux mentionnés ci-dessus pour Linux (sauf les pilotes de GPU NVIDIA) et macOS. ### **Entraînement** L'entraînement d'Unsloth Studio fonctionne actuellement sur NVIDIA, [AMD](/docs/fr/commencer/install/amd.md), MLX, les appareils Intel. Vous pouvez toujours utiliser le [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` | Visual Studio Build Tools 2022 | | **CUDA Toolkit** | Facultatif ; `nvcc` détecté automatiquement | Installé par le script d'installation (correspondant 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 [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) les GPU (suivez nos [guides spécifiques](/docs/fr/commencer/install.md)). Apple/Silicon/MLX est en cours de développement * Votre appareil devrait avoir `xformers`, `torch`, `BitsandBytes` et `triton` la 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 de VRAM pour le fine-tuning : De quelle quantité de mémoire GPU ai-je besoin pour le fine-tuning d'un LLM avec Unsloth ? {% hint style="info" %} Un problème courant lorsque vous faites un OOM ou manquez de mémoire est que vous avez défini une taille de lot 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/notions-de-base/unsloth-benchmarks.md#context-length-benchmarks)**.** {% endhint %} Consultez ce tableau pour les exigences de VRAM classées par paramètres du modèle et méthode de fine-tuning. QLoRA utilise 4 bits, LoRA utilise 16 bits. Gardez à l'esprit que, parfois, davantage de VRAM est nécessaire selon le modèle, donc ces chiffres 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 | 96GB | | 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 by asking a question. Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters: ``` 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 what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case. 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.