Guide d'affinage de Qwen3.5

Apprenez à affiner les LLM Qwen3.5 avec Unsloth.

Vous pouvez maintenant affiner Qwen3.5 famille de modèles (0.8B, 2B, 4B, 9B, 27B, 35B‑A3B, 122B‑A10B) avec Unsloth. La prise en charge inclut à la fois vision et affinement de texte. Qwen3.5‑35B‑A3B - LoRA bf16 fonctionne sur 74GB de VRAM.

• Unsloth rend l'entraînement de Qwen3.5 1,5× plus rapide et utilise 50% moins de VRAM que les configurations FA2.

• Utilisation de VRAM LoRA bf16 de Qwen3.5 : 0.8B: 3GB • 2B: 5GB • 4B: 10GB • 9B: 22GB • 27B: 56GB

• Affiner 0.8B, 2B et 4B LoRA bf16 via nos gratuits carnets Google Colab:

Qwen3.5-0.8B	Qwen3.5-2B	Qwen3.5-4B

• Si vous voulez préserver la capacité de raisonnement, vous pouvez mélanger des exemples de style raisonnement avec des réponses directes (conserver au minimum 75% de raisonnement). Sinon vous pouvez l'omettre complètement.

• L'affinement complet (FFT) fonctionne également. Notez qu'il utilisera 4x plus de VRAM.

• Qwen3.5 est puissant pour l'affinement multilingue car il prend en charge 201 langues.

• Après l'affinement, vous pouvez exporter vers GGUF (pour llama.cpp/Ollama/LM Studio/etc.) ou vLLM

• Apprentissage par renforcement (RL) pour Qwen3.5 RL VLM fonctionne aussi via l'inférence Unsloth.

• Nous avons A100 carnets Colab pour Qwen3.5‑27B et Qwen3.5‑35B‑A3B.

Si vous utilisez une version plus ancienne (ou affinez localement), mettez d'abord à jour :

pip install --upgrade --force-reinstall --no-cache-dir unsloth unsloth_zoo

Veuillez utiliser transformers v5 pour Qwen3.5. Les versions plus anciennes ne fonctionneront pas. Unsloth utilise automatiquement transformers v5 par défaut maintenant (sauf pour les environnements Colab).

Si l'entraînement semble plus lent que d'habitude, c'est parce que Qwen3.5 utilise des noyaux Triton Mamba personnalisés. La compilation de ces noyaux peut prendre plus de temps que la normale, en particulier sur les GPU T4.

Il n'est pas recommandé de faire de l'entraînement QLoRA (4 bits) sur les modèles Qwen3.5, qu'ils soient MoE ou denses, en raison de différences de quantification plus élevées que la normale.

Affinement MoE (35B, 122B)

Pour les modèles MoE comme Qwen3.5‑35B‑A3B / 122B‑A10B / 397B‑A17B:

• Vous pouvez utiliser notre Qwen3.5‑35B‑A3B (A100) carnet d'affinement

• Prend en charge notre récente mise à jour d'entraînement MoE ~12x plus rapide mise à jour d'entraînement MoE avec >35% de VRAM en moins et un contexte ~6x plus long

• Il est préférable d'utiliser des configurations bf16 (par ex. LoRA ou affinement complet) (MoE QLoRA 4‑bits n'est pas recommandé en raison des limitations de BitsandBytes).

• Les noyaux MoE d'Unsloth sont activés par défaut et peuvent utiliser différents backends ; vous pouvez changer avec UNSLOTH_MOE_BACKEND.

• Le fine-tuning de la couche routeur est désactivé par défaut pour la stabilité.

• Qwen3.5‑122B‑A10B - LoRA bf16 fonctionne sur 256GB de VRAM. Si vous utilisez plusieurs GPU, ajoutez device_map = "balanced" ou suivez notre Guide multiGPU.

Démarrage rapide

Ci-dessous se trouve une recette SFT minimale (fonctionne pour l'affinement « texte uniquement »). Voir aussi notre affinement vision section.

Qwen3.5 est un « modèle de langage causal avec encodeur de vision » (c'est un VLM unifié), donc assurez-vous d'avoir les dépendances vision habituelles installées (torchvision, pillow) si nécessaire, et gardez Transformers à jour. Utilisez les derniers Transformers pour Qwen3.5.

Si vous souhaitez faire GRPO, cela fonctionne dans Unsloth si vous désactivez l'inférence vLLM rapide et utilisez l'inférence Unsloth à la place. Suivez notre Vision RL exemples de carnets.

from unsloth import FastLanguageModel
import torch
from datasets import load_dataset
from trl import SFTTrainer, SFTConfig

max_seq_length = 2048  # commencez petit ; augmentez après que ça fonctionne

# Exemple de jeu de données (remplacez par le vôtre). Nécessite une colonne "text".
url = "https://huggingface.co/datasets/laion/OIG/resolve/main/unified_chip2.jsonl"
dataset = load_dataset("json", data_files={"train": url}, split="train")

model, tokenizer = FastLanguageModel.from_pretrained(
    model_name = "Qwen/Qwen3.5-27B",
    max_seq_length = max_seq_length,
    load_in_4bit = False,     # MoE QLoRA non recommandé, dense 27B convient
    load_in_16bit = True,     # LoRA bf16/16-bit
    full_finetuning = False,
)

model = FastLanguageModel.get_peft_model(
    model,
    r = 16,
    target_modules = [
        "q_proj", "k_proj", "v_proj", "o_proj",
        "gate_proj", "up_proj", "down_proj",
    ],
    lora_alpha = 16,
    lora_dropout = 0,
    bias = "none",
    # le checkpointing "unsloth" est destiné à un contexte très long + réduction de VRAM
    use_gradient_checkpointing = "unsloth",
    random_state = 3407,
    max_seq_length = max_seq_length,
)

trainer = SFTTrainer(
    model = model,
    train_dataset = dataset,
    tokenizer = tokenizer,
    args = SFTConfig(
        max_seq_length = max_seq_length,
        per_device_train_batch_size = 1,
        gradient_accumulation_steps = 4,
        warmup_steps = 10,
        max_steps = 100,
        logging_steps = 1,
        output_dir = "outputs_qwen35",
        optim = "adamw_8bit",
        seed = 3407,
        dataset_num_proc = 1,
    ),
)

trainer.train()

Si vous avez un OOM :

• Réduisez per_device_train_batch_size à 1 et/ou réduisez max_seq_length.

• Gardez use_gradient_checkpointing="unsloth" activé (il est conçu pour réduire l'utilisation de la VRAM et étendre la longueur du contexte).

Exemple de loader pour MoE (LoRA bf16) :

import os
import torch
from unsloth import FastModel

model, tokenizer = FastModel.from_pretrained(
    model_name = "unsloth/Qwen3.5-35B-A3B",
    max_seq_length = 2048,
    load_in_4bit = False,     # MoE QLoRA non recommandé, dense 27B convient
    load_in_16bit = True,     # LoRA bf16/16-bit
    full_finetuning = False,
)

Une fois chargé, vous attacherez des adaptateurs LoRA et entraînerez de manière similaire à l'exemple SFT ci‑dessus.

Affinement vision

Unsloth prend en charge affinement vision pour les modèles multimodaux Qwen3.5. Utilisez les carnets Qwen3.5 ci‑dessous et changez les noms de modèle respectifs vers le modèle Qwen3.5 souhaité.

Qwen3.5-0.8B	Qwen3.5-2B	Qwen3.5-4B	Qwen3.5-9B

• Carnet Qwen3-VL GRPO/GSPO RL (changer le nom du modèle en Qwen3.5-4B etc.)

Désactivation de l'affinement Vision / Texte uniquement :

Pour affiner les modèles de vision, nous permettons maintenant de sélectionner quelles parties du modèle affiner. Vous pouvez choisir d'affiner uniquement les couches de vision, ou les couches de langage, ou les couches d'attention / MLP ! Nous les activons toutes par défaut !

model = FastVisionModel.get_peft_model(
    model,
    finetune_vision_layers     = True, # False si vous n'affinez pas les couches de vision
    finetune_language_layers   = True, # False si vous n'affinez pas les couches de langage
    finetune_attention_modules = True, # False si vous n'affinez pas les couches d'attention
    finetune_mlp_modules       = True, # False si vous n'affinez pas les couches MLP

    r = 16,                           # Plus grand = meilleure précision, mais peut surapprendre
    lora_alpha = 16,                  # Alpha recommandé == r au moins
    lora_dropout = 0,
    bias = "none",
    random_state = 3407,
    use_rslora = False,               # Nous prenons en charge LoRA stabilisé en rang
    loftq_config = None,               # Et LoftQ
    target_modules = "all-linear",    # Optionnel maintenant ! Peut spécifier une liste si nécessaire
    modules_to_save=[
        "lm_head",
        "embed_tokens",
    ],
)

Afin d'affiner ou d'entraîner Qwen3.5 avec multi‑images, consultez notre guide vision multi‑image.

Apprentissage par renforcement (RL)

Actuellement, vous pouvez exécuter RL pour Qwen3.5 avec Unsloth même s'il n'est pas pris en charge par vLLM, en définissant fast_inference=False lors du chargement du modèle :

from unsloth import FastLanguageModel

model, tokenizer = FastLanguageModel.from_pretrained(
    model_name="unsloth/Qwen3.5-4B",
    fast_inference=False,
)

Des carnets arrivent bientôt...

Enregistrement / export du modèle affiné

Vous pouvez consulter nos guides spécifiques d'inférence / déploiement pour llama.cpp, vLLM, llama-server, Ollama, LM Studio ou SGLang.

Enregistrer en GGUF

Unsloth prend en charge l'enregistrement direct en GGUF :

model.save_pretrained_gguf("directory", tokenizer, quantization_method = "q4_k_m")
model.save_pretrained_gguf("directory", tokenizer, quantization_method = "q8_0")
model.save_pretrained_gguf("directory", tokenizer, quantization_method = "f16")

Ou poussez des GGUF sur Hugging Face :

model.push_to_hub_gguf("hf_username/directory", tokenizer, quantization_method = "q4_k_m")
model.push_to_hub_gguf("hf_username/directory", tokenizer, quantization_method = "q8_0")

Si le modèle exporté se comporte moins bien dans un autre runtime, Unsloth signale la cause la plus courante : mauvais modèle de chat / token EOS au moment de l'inférence (vous devez utiliser le même modèle de chat avec lequel vous avez entraîné).

Enregistrer pour vLLM

La version de vLLM 0.16.0 ne prend pas en charge Qwen3.5. Attendez jusqu'à 0.170 ou essayez la version Nightly.

Pour enregistrer en 16 bits pour vLLM, utilisez :

model.save_pretrained_merged("finetuned_model", tokenizer, save_method = "merged_16bit")
## OU pour téléverser sur HuggingFace :
model.push_to_hub_merged("hf/model", tokenizer, save_method = "merged_16bit", token = "")

Pour n'enregistrer que les adaptateurs LoRA, utilisez soit :

model.save_pretrained("finetuned_lora")
tokenizer.save_pretrained("finetuned_lora")

Ou utilisez notre fonction intégrée :

model.save_pretrained_merged("finetuned_model", tokenizer, save_method = "lora")
## OU pour téléverser sur HuggingFace
model.push_to_hub_merged("hf/model", tokenizer, save_method = "lora", token = "")

Pour plus de détails, lisez nos guides d'inférence :

🖥️Inférence & déploiementGGUF & llama.cpp

vLLMDépannage de l'inférence