> 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).
# Exigences 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. Chacune a des exigences différentes.
## **Exigences d’Unsloth Studio**
* **Mac :** L’entraînement, l’inférence MLX et GGUF sont TOUTES prises en charge.
* **CPU : Unsloth fonctionne toujours sans GPU** , pour les recettes de chat + données.
* **Entraînement :** Fonctionne sur **NVIDIA** : RTX 30, 40, 50, Blackwell, DGX Spark/Station, etc. + **Intel** GPU
### :windows: Windo**ws**
Unsloth Studio fonctionne directement sous 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 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
* kit d’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) ([Exportation](/docs/fr/nouveau/studio/export.md) très bientôt)
* Identiques à ceux mentionnés ci-dessus pour Linux (sauf les pilotes GPU NVIDIA) et MacOS.
### **Entraînement**
L’entraînement d’Unsloth Studio fonctionne actuellement sur les GPU NVIDIA, avec la prise en charge d’AMD, MLX et Intel qui arrivera très bientôt. 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) GTX 1070, 1080 fonctionne, mais c’est lent.
* 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 les GPU [AMD](/docs/fr/commencer/install/amd.md) et [Intel](/docs/fr/commencer/install/intel.md) (suivez nos [guides spécifiques](/docs/fr/commencer/install.md)). Apple/Silicon/MLX est en cours de développement
* Votre appareil devrait prendre en charge `xformers`, `torch`, `BitsandBytes` et `triton` .
* 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 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 obtenez une OOM ou manquez de mémoire est que vous avez défini votre 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/notions-de-base/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 4 bits, LoRA utilise 16 bits. Gardez à l’esprit que, parfois, davantage de VRAM est nécessaire selon le modèle, donc ces chiffres correspondent au 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.