> 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/nouveau/studio.md).

# Présentation d'Unsloth Studio

Aujourd’hui, nous lançons **Unsloth Studio** (Bêta) : une interface web open source sans code pour entraîner, exécuter et exporter des modèles ouverts dans une seule **locale** interface.

<a href="/pages/22a56cb154401d43a94d87fa72ce6dfde69b18e3#quickstart" class="button primary" data-icon="bolt">Démarrage rapide</a><a href="/pages/22a56cb154401d43a94d87fa72ce6dfde69b18e3#features" class="button secondary" data-icon="star">Fonctionnalités</a><a href="https://github.com/unslothai/unsloth" class="button secondary" data-icon="github">GitHub</a>

* **Exécuter GGUF** et des modèles safetensor localement sur **Mac**, Windows, Linux.
* Entraînez plus de 500 modèles 2 fois plus vite avec 70 % de VRAM en moins (sans perte de précision)
* Exécutez et entraînez des modèles de texte, de vision, audio TTS et d'embedding

{% hint style="success" %}
**Pour toutes les dernières mises à jour, consultez notre** [**nouvelle page de changelog ici**](/docs/fr/nouveau/changelog.md)**!** ✨
{% endhint %}

<div><figure><img src="/files/f64731cf2538357a8ad522737b18723f483ec322" alt=""><figcaption></figcaption></figure> <figure><img src="/files/67551e268c005e02e85ac5da4701f83e5d265591" alt=""><figcaption></figcaption></figure></div>

* **MacOS :** L'entraînement, MLX et l'inférence GGUF fonctionnent tous dans Unsloth.
* Aucun jeu de données requis. [**Créer automatiquement des jeux de données**](/docs/fr/nouveau/studio/data-recipe.md) à partir de **PDF, CSV, JSON, DOCX, TXT** fichiers.
* [Exportez ou enregistrez](/docs/fr/nouveau/studio/export.md) votre modèle en GGUF, safetensor 16 bits, etc.
* [**Appel d'outils auto-réparateur**](/docs/fr/nouveau/studio/chat.md#auto-healing-tool-calling) / avancé [**recherche web**](/docs/fr/nouveau/studio/chat.md#advanced-web-search) + [**exécution de code**](/docs/fr/nouveau/studio/chat.md#code-execution)
* [Paramètres d'inférence automatiques](/docs/fr/nouveau/studio/chat.md#auto-parameter-tuning), modifiez les modèles de conversation, utilisez Unsloth comme un [**point de terminaison API**](#unsloth-as-an-api-endpoint).

## ⭐ Fonctionnalités

{% columns %}
{% column %}

### **Exécutez des modèles localement**

[Recherchez et exécutez GGUF](/docs/fr/nouveau/studio/chat.md) et des modèles safetensor avec appel d'outils auto-réparateur [appel d'outils](#execute-code--heal-tool-calling), avancé [recherche web](/docs/fr/nouveau/studio/chat.md#advanced-web-search), [inférence automatique](/docs/fr/nouveau/studio/chat.md#auto-parameter-tuning) paramètres, [**exécution de code**](/docs/fr/nouveau/studio/chat.md#code-execution) (Bash + Python), [API](/docs/fr/notions-de-base/api.md). Téléversez des images, des documents, de l'audio, du code.

[Comparez des modèles côte à côte](/docs/fr/nouveau/studio.md#model-arena). Propulsé par llama.cpp + Hugging Face, Unsloth prend en charge **l'inférence multi-GPU,** le déchargement automatique, l'adaptation à la mémoire et la plupart des modèles.
{% endcolumn %}

{% column %}

<div data-with-frame="true"><figure><img src="/files/c1e3c98db9ff7047858e3dac518d5347113d27aa" alt=""><figcaption></figcaption></figure></div>
{% endcolumn %}
{% endcolumns %}

{% columns %}
{% column %}

### Exécuter du code + réparer l'appel d'outils

Unsloth Studio permet aux LLM d'exécuter Bash et Python, pas seulement JavaScript. Il met aussi en sandbox des programmes comme Claude Artifacts afin que les modèles puissent tester du code, générer des fichiers et vérifier des réponses avec des calculs réels.

Par exemple, Qwen3.5-4B a recherché plus de 20 sites Web et cité ses sources, la recherche web se déroulant dans sa trace de raisonnement.
{% endcolumn %}

{% column %}

<div data-with-frame="true"><figure><img src="/files/b03f506381fed38c517bc09e2e726bc0013f23f4" alt=""><figcaption></figcaption></figure></div>
{% endcolumn %}
{% endcolumns %}

{% columns %}
{% column %}

### Unsloth comme point de terminaison API

Vous pouvez désormais utiliser des LLM locaux via des outils comme [Claude Code](/docs/fr/notions-de-base/claude-code.md) et [Codex](/docs/fr/notions-de-base/codex.md) en le connectant à [le point de terminaison API d'Unsloth](/docs/fr/notions-de-base/api.md). Cela signifie que vous pourrez exécuter directement des modèles Qwen et Gemma dans ces outils avec l'inférence d'Unsloth, qui inclut des fonctionnalités comme l'appel d'outils auto-réparateur, la recherche web, etc.

Vous pouvez aussi [connecter un fournisseur](broken://pages/9185e636c3380b1a3138a9ee58e22a13296ea0d5) comme OpenAI, Anthropic ou vLLM à Unsloth.
{% endcolumn %}

{% column %}

<div data-with-frame="true"><figure><img src="/files/1a2d152a014c5c542c774dac8c97d657a9f4124f" alt=""><figcaption></figcaption></figure></div>
{% endcolumn %}
{% endcolumns %}

{% columns %}
{% column %}

### **Entraînement sans code**

[Téléversez des PDF, CSV, JSON](#data-recipes) des documents, ou des configurations YAML, et commencez l'entraînement instantanément sur NVIDIA. Les noyaux d'Unsloth optimisent LoRA, FP8, FFT, PT sur plus de 500 modèles de texte, vision, TTS/audio et d'embedding.

Affinez les derniers LLM comme [Qwen3.5](/docs/fr/modeles/qwen3.5/fine-tune.md) et NVIDIA [Nemotron 3](/docs/fr/modeles/nemotron-3.md). [Multi-GPU](/docs/fr/notions-de-base/multi-gpu-training-with-unsloth.md) fonctionne automatiquement, une nouvelle version arrivant bientôt.
{% endcolumn %}

{% column %}

<div data-with-frame="true"><figure><img src="/files/85e5b363635c67d09cab5a054561bd5b3d986187" alt=""><figcaption></figcaption></figure></div>
{% endcolumn %}
{% endcolumns %}

{% columns %}
{% column %}

### Data Recipes

[**Data Recipes**](/docs/fr/nouveau/studio/data-recipe.md) transforme vos documents en jeux de données utilisables / synthétiques via un workflow de nœuds graphiques. Téléversez des fichiers non structurés ou structurés comme des PDF, CSV et JSON. Unsloth Data Recipes, propulsé par NVIDIA Nemo [Concepteur de données](https://github.com/NVIDIA-NeMo/DataDesigner), transforme automatiquement les documents en formats souhaités.
{% endcolumn %}

{% column %}

<div data-with-frame="true"><figure><img src="/files/39fdec47bc5527a4639140c417a1fc5d431b8824" alt=""><figcaption></figcaption></figure></div>
{% endcolumn %}
{% endcolumns %}

{% columns %}
{% column %}

### Observabilité

Gagnez [une visibilité complète](/docs/fr/nouveau/studio/start.md#training-progress) sur vos exécutions d'entraînement et un contrôle total. Suivez la perte d'entraînement, les normes des gradients et l'utilisation du GPU en temps réel, et personnalisez à votre guise.

Vous pouvez même voir la progression de l'entraînement sur d'autres appareils comme votre téléphone.
{% endcolumn %}

{% column %}

<div data-with-frame="true"><figure><img src="/files/800d9753900c2873e31d2eb31b9c6e49a25a3b95" alt=""><figcaption></figcaption></figure></div>
{% endcolumn %}
{% endcolumns %}

{% columns %}
{% column %}

### Exporter / enregistrer des modèles

[**Exportez n'importe quel modèle**](/docs/fr/nouveau/studio/export.md), y compris vos modèles affûtés, en safetensors ou GGUF pour une utilisation avec llama.cpp, vLLM, Ollama, LM Studio et plus encore.

Enregistre votre historique d'entraînement, afin que vous puissiez revoir les exécutions, réexporter et expérimenter.
{% endcolumn %}

{% column %}

<div data-with-frame="true"><figure><img src="/files/cb3aa8eb0f51b8a5167d8c037c38f8eed0db2173" alt=""><figcaption></figcaption></figure></div>
{% endcolumn %}
{% endcolumns %}

{% columns %}
{% column %}

### Arène de modèles

Discutez avec et [comparez 2 différents](/docs/fr/nouveau/studio/chat.md#model-arena) modèles, comme un modèle de base et un modèle affiné, pour voir en quoi leurs sorties diffèrent.

Chargez simplement votre premier GGUF/modèle, puis le second, et voilà ! L'inférence chargera d'abord un modèle, puis le second.
{% endcolumn %}

{% column %}

<div align="center" data-with-frame="true"><figure><img src="/files/363f22dc6187049e754bdae94b495a45c68bb1b9" alt=""><figcaption></figcaption></figure></div>
{% endcolumn %}
{% endcolumns %}

{% columns %}
{% column %}

### La confidentialité d'abord + Sécurisé

Unsloth Studio peut être utilisé 100 % hors ligne et localement sur votre ordinateur. Son authentification basée sur des jetons, y compris le mot de passe chiffré et les flux JWT d'accès / de rafraîchissement, protège vos données.

Vous pouvez utiliser des modèles préexistants / anciens ou des GGUF téléchargés précédemment depuis HF, etc. Lisez [les instructions ici](/docs/fr/nouveau/studio/chat.md#using-old-existing-gguf-models).
{% endcolumn %}

{% column %}

<div data-with-frame="true"><figure><img src="/files/cd01051390ce267a1e1d6dda73589248af9ebeb8" alt=""><figcaption></figcaption></figure></div>
{% endcolumn %}
{% endcolumns %}

{% hint style="warning" %}
Veuillez noter qu'il s'agit de la **BÊTA** version d'Unsloth Studio. Attendez-vous à de nombreuses améliorations, corrections et nouvelles fonctionnalités dans les jours et semaines à venir.
{% endhint %}

## ⚡ Démarrage rapide

Unsloth Studio fonctionne sur Windows, Linux, WSL et MacOSx.

* **CPU :** Unsloth fonctionne toujours sans GPU, mais uniquement pour [Chat](#run-models-locally) l'inférence et [Data Recipes](/docs/fr/nouveau/studio/data-recipe.md).
* **Entraînement :** Fonctionne sur **NVIDIA**: RTX 30, 40, 50, Blackwell, DGX Spark/Station, etc. + **Intel** GPU
* **Mac :** L'entraînement, MLX et l'inférence GGUF sont TOUS pris en charge.
* **AMD :** Le chat fonctionne. Entraînez avec [Unsloth Core](/docs/fr/commencer/install/amd.md). La prise en charge de Studio arrive bientôt.
* **Multi-GPU :** Fonctionne déjà, avec une mise à niveau majeure en cours.

Utilisez les mêmes commandes d'installation ci-dessous pour **mettre à jour**:

### **MacOS, Linux, WSL :**

```bash
curl -fsSL https://unsloth.ai/install.sh | sh
```

### **Windows PowerShell :**

```bash
irm https://unsloth.ai/install.ps1 | iex
```

#### Lancer Unsloth

```bash
unsloth studio -H 0.0.0.0 -p 8888
```

### Docker :

Utilisez notre **image Docker officielle**: [`unsloth/unsloth`](https://hub.docker.com/r/unsloth/unsloth) qui fonctionne actuellement sous Windows, WSL et Linux. La prise en charge de MacOS arrive bientôt.

{% code overflow="wrap" expandable="true" %}

```bash
docker run -d -e JUPYTER_PASSWORD="mypassword" \\
  -p 8888:8888 -p 8000:8000 -p 2222:22 \\
  -v $(pwd)/work:/workspace/work \\
  --gpus all \\
  unsloth/unsloth
```

{% endcode %}

{% hint style="success" %}
**La première installation devrait désormais être 6 fois plus rapide et 50 % plus légère grâce aux binaires llama.cpp précompilés.**
{% endhint %}

**Pour plus de détails sur l'installation et la désinstallation, veuillez consulter la** [**section Installation d'Unsloth Studio**](/docs/fr/nouveau/studio/install.md) **section.**

{% content-ref url="/pages/3ca98ab552557cd126d152e81d801c8cb0caa73c" %}
[Installation](/docs/fr/nouveau/studio/install.md)
{% endcontent-ref %}

### <i class="fa-google">:google:</i> notebook Google Colab

Nous avons créé un [notebook Google Colab gratuit](https://colab.research.google.com/github/unslothai/unsloth/blob/main/studio/Unsloth_Studio_Colab.ipynb) afin que vous puissiez explorer toutes les fonctionnalités d'Unsloth sur les GPU T4 de Colab. Vous pouvez entraîner et exécuter la plupart des modèles jusqu'à 22 milliards de paramètres, puis passer à un GPU plus grand pour les modèles plus volumineux. Cliquez simplement sur « Run all » et l'interface devrait s'afficher après l'installation.

{% columns %}
{% column %}
{% embed url="<https://colab.research.google.com/github/unslothai/unsloth/blob/main/studio/Unsloth_Studio_Colab.ipynb>" %}

Une fois l'installation terminée, faites défiler jusqu'à **Démarrer Unsloth Studio** et cliquez **Ouvrir Unsloth Studio** dans la boîte blanche affichée à gauche :

**Faites défiler plus bas pour voir l'interface réelle.**
{% endcolumn %}

{% column %}

<div data-with-frame="true"><figure><img src="/files/771664ff8cf59b0e0a8ceae8e2837c6920c2d17f" alt=""><figcaption></figcaption></figure></div>
{% endcolumn %}
{% endcolumns %}

{% hint style="warning" %}
Parfois, le lien Studio peut renvoyer une erreur. Cela se produit parce que vous avez peut-être désactivé les cookies ou que vous utilisez un bloqueur de publicités ou Mozilla. Vous pouvez toujours accéder à l'interface en faisant défiler sous le bouton.
{% endhint %}

## <i class="fa-seedling">:seedling:</i> Flux de travail

Voici un flux de travail habituel d'Unsloth Studio pour vous aider à démarrer :

1. Lancez Studio depuis [les instructions d'installation](/docs/fr/nouveau/studio/install.md).
2. Chargez un modèle à partir de fichiers locaux ou d'une intégration prise en charge.
3. Importez des données d'entraînement depuis des fichiers PDF, CSV ou JSONL, ou créez un jeu de données à partir de zéro.
4. Nettoyez, affinez et enrichissez votre jeu de données dans [Data Recipes](/docs/fr/nouveau/studio/data-recipe.md).
5. Commencez l'entraînement avec les préréglages recommandés ou personnalisez vous-même la configuration.
6. Discutez avec le modèle entraîné et comparez ses sorties avec celles du modèle de base.
7. [Enregistrez ou exportez](/docs/fr/nouveau/studio.md#export-save-models) localement vers la pile que vous utilisez déjà.

Vous pouvez lire nos analyses détaillées de chaque section d'Unsloth Studio :

{% columns %}
{% column width="50%" %}
{% content-ref url="/pages/a4ab77cc976ec484d13317b14422a754e2f1d4e8" %}
[Get Started](/docs/fr/nouveau/studio/start.md)
{% endcontent-ref %}

{% content-ref url="/pages/817a1275219e1e8d86fe100d223ac4b0862ab3a1" %}
[Model Export](/docs/fr/nouveau/studio/export.md)
{% endcontent-ref %}
{% endcolumn %}

{% column width="50%" %}
{% content-ref url="/pages/ec921eec2a37820cfd0cf432328d619c9fa1080b" %}
[Data Recipes](/docs/fr/nouveau/studio/data-recipe.md)
{% endcontent-ref %}

{% content-ref url="/pages/02de109936ce31121bffae3333822baa85a115f0" %}
[Studio Chat](/docs/fr/nouveau/studio/chat.md)
{% endcontent-ref %}
{% endcolumn %}
{% endcolumns %}

## <i class="fa-comments-question">:comments-question:</i> FAQ

**Unsloth collecte-t-il ou stocke-t-il des données ?**\
Unsloth ne collecte pas de télémétrie d'utilisation. Unsloth ne collecte que les informations matérielles minimales requises pour la compatibilité, telles que le type de GPU et l'appareil (p. ex. Mac). Unsloth Studio s'exécute à 100 % hors ligne et localement.

**Comment utiliser un ancien modèle / un modèle existant que j'ai téléchargé précédemment depuis Hugging Face ?**\
Oui, vous pouvez utiliser des modèles préexistants/anciens ou des GGUF que vous avez précédemment téléchargés depuis Hugging Face, etc. Ils devraient désormais être détectés automatiquement par Unsloth, sinon lisez notre [les instructions ici](/docs/fr/nouveau/studio/chat.md#using-old-existing-gguf-models).

**Pourquoi l'inférence est-elle parfois plus lente dans Unsloth ?**\
Unsloth, comme d'autres applications d'inférence locales, est propulsé par llama.cpp, donc les vitesses devraient être globalement similaires. Parfois, Unsloth peut être plus lent parce que vous avez activé la recherche web, l'exécution de code, l'appel d'outils auto-réparateur. Toutes ces fonctionnalités peuvent ralentir l'inférence. Si la différence de vitesse reste plus lente avec toutes les fonctionnalités désactivées, veuillez ouvrir un ticket GitHub !

**Unsloth Studio prend-il en charge les API compatibles avec OpenAI ?**\
Oui, consultez notre [guide du point de terminaison API ici](/docs/fr/notions-de-base/api.md).

**Unsloth est-il désormais sous licence AGPL-3.0 ?**\
Unsloth utilise un modèle de double licence Apache 2.0 et AGPL-3.0. Le package principal d'Unsloth reste sous licence [**Apache 2.0**](https://github.com/unslothai/unsloth?tab=Apache-2.0-1-ov-file), tandis que certains composants optionnels, tels que l'interface utilisateur d'Unsloth Studio, sont sous licence [**AGPL-3.0**](https://github.com/unslothai/unsloth?tab=AGPL-3.0-2-ov-file).

Cette structure aide à soutenir le développement continu d'Unsloth tout en gardant le projet open source et en permettant à l'écosystème plus large de continuer à croître.

**Studio ne prend-il en charge que les LLM ?**\
Non. Studio prend en charge une gamme de `modèles Transformers` familles de modèles compatibles, notamment les modèles de texte, multimodaux, [synthèse vocale](/docs/fr/notions-de-base/text-to-speech-tts-fine-tuning.md), audio, [embeddings](/docs/fr/notions-de-base/embedding-finetuning.md), et les modèles de type BERT.

**Puis-je utiliser ma propre configuration d'entraînement ?**\
Oui. Importez une configuration YAML et Studio remplira automatiquement les paramètres pertinents.

**Faut-il entraîner des modèles pour utiliser l'interface ?**\
Non, vous pouvez simplement télécharger n'importe quel GGUF ou modèle sans affiner aucun modèle.

#### Avenir d'Unsloth

Nous travaillons dur pour rendre l'IA open source aussi accessible que possible. À venir pour Unsloth et Unsloth Studio, nous publions la prise en charge officielle de : multi-GPU, Apple Silicon/MLX et AMD. Rappel : il s'agit de la version BÊTA d'Unsloth Studio, donc attendez-vous à de nombreuses annonces et améliorations dans les semaines à venir. Nous travaillons également en étroite collaboration avec NVIDIA sur la prise en charge multi-GPU afin d'offrir la meilleure expérience possible, la plus simple qui soit.

#### Remerciements

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


---

# 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:

```
GET https://unsloth.ai/docs/fr/nouveau/studio.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
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.