Contrôler les autorisations

Unsloth, comme Claude Code et Codex, fournit des contrôles d’autorisation pour tout modèle qui utilise des appels d’outils. Cela signifie que le modèle et Unsloth ne peuvent pas accéder à vos fichiers, les modifier ou les éditer, ni utiliser Internet sans votre approbation.

Vous pouvez choisir le niveau d’accès souhaité : Unsloth peut exécuter des outils dans un environnement sécurisé pour protéger votre système ou, si vous préférez, vous pouvez lui permettre d’accéder directement à vos fichiers et de les modifier.

N’importe quel endpoint. Tous les outils.

Unsloth supprime la barrière entre votre configuration d’inférence et votre flux de travail. Que votre modèle s’exécute via l’inférence d’Unsloth ou via votre propre endpoint distant compatible OpenAI, vous pouvez lui donner accès à l’ensemble complet des outils d’Unsloth, y compris la recherche web, l’exécution de code, la recherche approfondie, et plus encore.

Accédez au modèle partout

Servez votre modèle en local ou via HTTPS grâce au tunnel Cloudflare gratuit d’Unsloth Cloudflare tunnel. Vérifiez un exécution depuis votre téléphone, votre ordinateur portable ou n’importe où ailleurs où vous vous trouvez.

Reliez l’application à votre réseau avec -H 0.0.0.0, ou ouvrez un tunnel Cloudflare gratuit pour HTTPS.

Exécution de code

Obtenez jusqu’à 50 % de précision supplémentaire dans les appels d’outils grâce à des appels d’outils auto-réparateurs qui détectent, corrigent et réessayent automatiquement les échecs.

Exécutez Bash et Python dans un environnement sécurisé. Unsloth offre une terminaison d’appel plus fiable pour réduire les boucles, une meilleure réparation et une déduplication pour empêcher les fuites XML.

Servir sur votre réseau local

Placez Unsloth sur votre réseau Wi‑Fi ou filaire et servez Unsloth sur le LAN. Le trafic ne quitte jamais votre réseau, donc la latence est faible, et cela fonctionne sans aucune connexion Internet.

Appuyez sur Démarrer sur la carte Accès LAN , ou lancez avec -H 0.0.0.0.

Génération d’images et de vidéos

Pour MiniMax-H3 FP8 sur un NVIDIA B200, une génération 960×544, 124 images, 8 étapes est passée de plus de 70 secondes à 13 secondes. Générez avec FLUX, Z-Image, LTX, Wan et des adaptateurs LoRA fine-tunés.

Transformez, inpaint, étendez, mettez à l’échelle, utilisez une référence et modifiez des images existantes.

Servir des modèles via API

Vous pouvez utiliser unsloth run la commande et servir des modèles comme Qwen3.8 et modifier n’importe quel paramètre, y compris la taille du contexte, les couches GPU, le threading, l’échantillonnage, le réseau et la configuration des outils. Pour plus d’informations, consultez nos docs API.

Voir un exemple d’utilisation de l’API Unsloth avec Qwen3.8 :

Utilisez les modèles les plus récents

Vous pouvez exécuter et entraîner presque tous les modèles, y compris ceux à venir. Attendez-vous à une prise en charge Day Zero pour des modèles comme Qwen3.8, Gemma, Meta, NVIDIA, GLM, les modèles Gemma et plus encore. Tout cela grâce à llama.cpp et Hugging Face, et nous sommes également fiers de contribuer à l’écosystème.

Recherche approfondie

La recherche normale utilise le Web pour ses réponses et se déroule pendant que le modèle réfléchit encore.

La recherche approfondie planifie d’abord, recherche les meilleures sources, puis produit un rapport détaillé avec toutes les citations.

Connecter des fournisseurs

Vous pouvez connecter Unsloth directement à votre abonnement ChatGPT/Codex.

Exécutez des modèles d’OpenAI, Anthropic, Ollama, llama.cpp, vLLM, et plus encore.

Utilisez la même interface de chat Unsloth pour les modèles locaux et cloud avec prise en charge des appels d’outils, de la génération d’images, mise en cache des invites pour réduire l’utilisation des jetons tout en conservant les fonctionnalités natives du fournisseur comme celles d’OpenAI recherche web et l’exécution de code.

Entraîner des modèles de diffusion

Entraînez des adaptateurs LoRA pour SDXL, FLUX.2, Qwen-Image et Z-Image sur vos propres images. Légendez-les dans Unsloth, choisissez un rang et lancez l’entraînement. Ensuite, vous pouvez l’exporter et recharger le modèle dans Unsloth pour l’inférence.

Entraînez sans code

Déposez un PDF, CSV ou JSON et c’est parti. LoRA, fine-tuning complet, pré-entraînement. Le tout 2x plus rapide, 70 % de VRAM en moins, sans perte de précision. Le multi-GPU et les modèles les plus récents fonctionnent.

Texte, diffusion, audio et image les modèles sont pris en charge !

Transcrire/générer de l’audio

Générez, affinez ou transcrivez de l’audio avec Unsloth entièrement en local. Synthèse vocale, reconnaissance vocale, Whisper, Qwen3-ASR, vous n’avez que l’embarras du choix !

Démo vidéo

Questions fréquentes

Collectez-vous mes données ?

Aucune télémétrie. Unsloth détecte le type de votre GPU et votre appareil afin que l’application sache ce qui fonctionne. L’application peut fonctionner entièrement hors ligne.

Puis-je utiliser des modèles que j’ai déjà téléchargés ?

Oui, ils sont détectés automatiquement. Si ce n’est pas le cas, vous pouvez spécifier vos propres dossiers personnalisés.

Pourquoi l’inférence est-elle parfois plus lente ?

La recherche web, l’exécution de code et la réparation des appels d’outils prennent tous du temps. Désactivez-les et la vitesse devrait correspondre à celle de toute autre application llama.cpp. Toujours lent ? Ouvrez un ticket GitHub.

GPU uniquement ?

Non. Unsloth fonctionne sur une grande variété de configurations CPU, Mac, etc.

Prend-il en charge les API compatibles OpenAI ?

Oui. Consultez le guide API. Nous prenons également en charge la connexion à les modèles cloud ou à d’autres API comme Anthropic ou OpenAI.

Quels appareils Unsloth prend-il en charge ?

Unsloth prend en charge tous les systèmes d’exploitation, y compris Mac, Windows, Linux et WSL, et prend en charge les GPU/CPU NVIDIA, Intel, AMD et Mac. Le matériel plus ancien peut toutefois ne pas être bien pris en charge.

Un immense merci à NVIDIA et Hugging Face d’avoir participé à notre lancement. Merci également à tous nos premiers bêta-testeurs d’Unsloth Desktop, nous apprécions vraiment votre temps et vos retours. Nous aimerions aussi remercier Jan pour l’inspiration ainsi que llama.cpp, PyTorch, stablediffusion.cpp et open model labs pour avoir fourni l’infrastructure qui a rendu Unsloth Desktop possible.