# Présentation d'Unsloth Studio

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

<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 les 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)
* Exécuter et entraîner des modèles de texte, de vision, audio TTS, et d’embeddings

{% 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** et **CPU** fonctionnent pour [Chat](#run-models-locally) l’inférence GGUF et [Recettes de données](/docs/fr/nouveau/studio/data-recipe.md). L’entraînement MLX arrive bientôt.
* Aucun jeu de données requis. [**Créer automatiquement des jeux de données**](/docs/fr/nouveau/studio/data-recipe.md) à partir de fichiers **PDF, CSV, JSON, DOCX, TXT** .
* [Exporter ou enregistrer](/docs/fr/nouveau/studio/export.md) votre modèle en GGUF, safetensor 16 bits, etc.
* [**Appels d’outils auto-réparateurs**](/docs/fr/nouveau/studio/chat.md#auto-healing-tool-calling) / avancés [**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 automatique](/docs/fr/nouveau/studio/chat.md#auto-parameter-tuning), modifiez les modèles de chat, utilisez Unsloth comme [**point de terminaison API**](#unsloth-as-an-api-endpoint).

## ⭐ Fonctionnalités

{% columns %}
{% column %}

### **Exécuter des modèles localement**

[Rechercher et exécuter des modèles GGUF](/docs/fr/nouveau/studio/chat.md) et safetensor avec [appels d’outils auto-réparateurs](#execute-code--heal-tool-calling), des [recherche Web](/docs/fr/nouveau/studio/chat.md#advanced-web-search), [paramètres d’inférence automatique](/docs/fr/nouveau/studio/chat.md#auto-parameter-tuning) avancés, [**exécution de code**](/docs/fr/nouveau/studio/chat.md#code-execution) (Bash + Python), [APIs](broken://pages/d7ed99d74f1997aa8747da14938bbaee3f09d15b). Téléversez des images, des documents, de l’audio, du code.

[Faites s’affronter les 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 et l’ajustement, ainsi que 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 les appels d’outils

Unsloth Studio permet aux LLM d’exécuter Bash et Python, pas seulement JavaScript. Il met aussi les programmes en bac à sable comme Claude Artifacts afin que les modèles puissent tester du code, générer des fichiers et vérifier les réponses avec un calcul réel.

Par ex. Qwen3.5-4B a parcouru plus de 20 sites web et cité ses sources, avec la recherche Web effectuée à l’intérieur de 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/bases/claude-code.md) et [Codex](/docs/fr/bases/codex.md) en le connectant au [point de terminaison API d’Unsloth](broken://pages/d7ed99d74f1997aa8747da14938bbaee3f09d15b). 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 les appels d’outils auto-réparateurs, la recherche Web, etc.
{% endcolumn %}

{% column %}

<div data-with-frame="true"><figure><img src="/files/87d90286dd2bf0babf9327f2ce55e2c0c40c7cdf" alt=""><figcaption></figcaption></figure></div>
{% endcolumn %}
{% endcolumns %}

{% columns %}
{% column %}

### **Entraînement sans code**

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

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/bases/multi-gpu-training-with-unsloth.md) fonctionne automatiquement, avec une nouvelle version à venir.
{% endcolumn %}

{% column %}

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

{% columns %}
{% column %}

### Recettes de données

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

{% column %}

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

{% columns %}
{% column %}

### Observabilité

Obtenez [une visibilité complète](/docs/fr/nouveau/studio/start.md#training-progress) et un contrôle total sur vos exécutions d’entraînement. Suivez en temps réel la perte d’entraînement, les normes de gradient et l’utilisation du GPU, et personnalisez selon vos préférences.

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 affinés, en safetensors ou en 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 des modèles

Discutez avec et [comparez 2 modèles différents](/docs/fr/nouveau/studio/chat.md#model-arena) 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 le premier 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 %}

### Priorité à la confidentialité + Sécurité

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 d’accès / rafraîchissement JWT, garde vos données en sécurité.

Vous pouvez utiliser des modèles / GGUFs préexistants / anciens que vous avez précédemment téléchargés 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 version **BETA** 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 MacOS (chat uniquement pour le moment).

* **CPU :** Unsloth fonctionne toujours sans GPU, mais uniquement pour [Chat](#run-models-locally) l’inférence et [Recettes de données](/docs/fr/nouveau/studio/data-recipe.md).
* **Entraînement :** Fonctionne sur **NVIDIA** : RTX 30, 40, 50, Blackwell, DGX Spark/Station, etc. + **Intel** GPU
* **Mac :** Comme CPU - Chat et [Recettes de données](/docs/fr/nouveau/studio/data-recipe.md) fonctionne uniquement pour le moment. **MLX** l’entraînement arrive très bientôt.
* **AMD :** Le chat fonctionne. Entraînez avec [Unsloth Core](/docs/fr/commencer/install/amd.md). La prise en charge de Studio arrive bientôt.
* **Bientôt disponible :** prise en charge de l’entraînement pour **Apple MLX** et **AMD.**
* **Multi-GPU :** Fonctionne déjà, avec une mise à niveau majeure en préparation.

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 pour 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 \
  officielle unsloth/unsloth
```

{% endcode %}

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

{% 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, et passer à un GPU plus puissant pour les plus grands modèles. 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 sur **Ouvrir Unsloth Studio** dans la zone blanche affichée à gauche :

**Faites défiler davantage vers le 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 parce 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. Lancer 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 à partir de fichiers PDF, CSV ou JSONL, ou construisez un jeu de données à partir de zéro.
4. Nettoyez, affinez et étendez votre jeu de données dans [Recettes de données](/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 à celles du modèle de base.
7. [Enregistrer ou exporter](/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-video">:video:</i> Tutoriels vidéo

{% hint style="warning" %}
Les versions d’Unsloth Studio présentées dans les vidéos sont anciennes et ne reflètent pas la version actuelle.
{% endhint %}

{% columns fullWidth="false" %}
{% column %}
{% embed url="<https://www.youtube.com/watch?v=mmbkP8NARH4>" fullWidth="false" %}

Voici un tutoriel vidéo créé par NVIDIA pour vous aider à démarrer avec Studio :
{% endcolumn %}

{% column %}
{% embed url="<https://youtu.be/1lEDuRJWHh4?si=GHaS77ZZPOGjn3GJ>" %}

Tutoriel vidéo : comment installer Unsloth Studio
{% endcolumn %}
{% endcolumns %}

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

**Est-ce qu’Unsloth collecte ou stocke des données ?**\
Unsloth ne collecte pas de télémétrie d’utilisation. Unsloth ne collecte que les informations matérielles minimales nécessaires à la compatibilité, comme le type de GPU et l’appareil (par ex. Mac). Unsloth Studio fonctionne 100 % hors ligne et localement.

**Comment utiliser un ancien / modèle existant que j’ai téléchargé précédemment depuis Hugging Face ?**\
Oui, vous pouvez utiliser des modèles / GGUFs préexistants ou anciens que vous avez précédemment téléchargés depuis Hugging Face, etc. Ils devraient maintenant 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 les autres applications d’inférence locale, s’appuie sur llama.cpp, donc les vitesses devraient être à peu près identiques. Parfois, Unsloth peut être plus lent parce que vous avez activé la recherche Web, l’exécution de code ou les appels d’outils auto-réparateurs. Toutes ces fonctionnalités peuvent ralentir votre 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](broken://pages/d7ed99d74f1997aa8747da14938bbaee3f09d15b).

**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, comme l’interface 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 grandir.

**Studio prend-il en charge uniquement les LLM ?**\
Non. Studio prend en charge une gamme de familles de modèles compatibles `transformers` , y compris des modèles de texte, multimodaux, [text-to-speech](/docs/fr/bases/text-to-speech-tts-fine-tuning.md), audio, [embeddings](/docs/fr/bases/embedding-finetuning.md), et des modèles de type BERT.

**Puis-je utiliser ma propre configuration d’entraînement ?**\
Oui. Importez un fichier de configuration YAML et Studio préremplira les paramètres pertinents.

**Comment puis-je ajuster la longueur de mon contexte ?**\
L’ajustement de la longueur du contexte n’est plus nécessaire avec le contexte auto-intelligent de llama.cpp, qui utilise uniquement le contexte dont vous avez besoin sans charger quoi que ce soit de plus. Cependant, nous ajouterons bientôt cette fonctionnalité au cas où vous voudriez l’utiliser.

**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. Prochainement 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 BETA 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 possible.

#### Remerciements

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


---

# Agent Instructions: 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.