Commencez avec Unsloth Studio

Unsloth Studio est une interface graphique locale, basée sur le navigateur, pour affiner des LLM sans écrire de code. Elle enveloppe le pipeline d’entraînement dans une interface claire qui gère le chargement du modèle, le formatage du jeu de données, la configuration des hyperparamètres et le suivi en direct de l’entraînement.

StudioRecette de donnéesExporterChat

Configurer Unsloth Studio

D’abord, lancez Unsloth Studio en utilisant soit une installation locale, soit une option cloud. Suivez les instructions d’installation pour votre configuration, ou utilisez notre notebook Colab gratuit . Pour une configuration locale, exécutez :

unsloth studio -H 0.0.0.0 -p 8888

Ouvrez le navigateur de votre choix et tapez http://127.0.0.1:8888 dans la barre d’URL.

Si c’est la première fois que vous installez Unsloth, vous serez redirigé vers la page http://127.0.0.1:8888/change-password . C’est là que vous devrez créer un nouveau mot de passe. Vous pourrez toujours changer votre mot de passe plus tard.

Chat - Démarrage rapide

Unsloth Studio Chat vous permet d’exécuter des modèles 100 % hors ligne sur votre ordinateur. Exécutez des formats de modèle comme GGUF et safetensors depuis Hugging Face ou depuis vos fichiers locaux.

• Télécharger + Exécuter n’importe quel modèle comme des GGUF, des adaptateurs affinés, des safetensors, etc.

• Comparer modèle différent résultats côte à côte

• Télécharger des documents, des images et de l’audio dans vos prompts

• Régler les paramètres d’inférence comme : température, top-p, top-k et prompt système

Vous pouvez lire ici notre tutoriel / guide détaillé sur l’exécution de modèles avec Unsloth Studio :

Guide de chargement du modèle

Avant d’utiliser l’API, vous devez charger le modèle que vous souhaitez utiliser dans Unsloth. Ouvrez le Select model menu déroulant dans le coin supérieur gauche de la page de chat.

Sélectionner un modèle

Utilisez la barre de recherche pour trouver le modèle que vous souhaitez charger dans Unsloth.

Parcourez les modèles recommandés, recherchez directement des modèles Hugging Face ou définissez un répertoire de modèle personnalisé.

Les modèles entraînés localement et exportés peuvent être chargés depuis l’onglet `Fine-tuned`.

Sélection GGUF

Les dépôts de modèles contiennent plusieurs quantifications. Sélectionnez la quantification la mieux adaptée à votre RAM / VRAM disponible. Dans ce guide, nous utiliserons unsloth/gemma-4-26B-A4B-it-GGUF et sélectionnerons la variante UD-Q4_K_XL recommandée

Téléchargement du modèle

Recherchez le modèle que vous souhaitez utiliser, puis cliquez dessus pour commencer à le télécharger et à le charger.

Après avoir sélectionné une variante de modèle, Unsloth commencera à télécharger et à charger le modèle en mémoire.

Une fois le chargement terminé, vous verrez la confirmation suivante :

Le modèle est chargé et prêt à être utilisé. Vous pouvez maintenant discuter directement avec le modèle dans Unsloth ou le connecter à des outils tels que Claude Code et Codex.

Studio - Démarrage rapide

La page d’accueil d’Unsloth Studio comporte 4 zones principales : Modèle, Jeu de données, Paramètres, et Entraînement/Configuration

• Configuration facile des modèles et des données depuis Hugging Face ou des fichiers locaux

• Choix d’entraînement flexibles comme QLoRA, LoRA ou l’affinage complet, avec des valeurs par défaut déjà renseignées

• Outils de configuration utiles pour les découpages, le mappage des colonnes, les hyperparamètres et les configurations YAML

• Excellente visibilité de l’entraînement avec progression en direct, statistiques GPU, graphiques, état de démarrage

1. Sélectionner le modèle et la méthode

Type de modèle

Sélectionnez la modalité qui correspond à votre cas d’utilisation :

Méthode d’entraînement

Trois méthodes sont disponibles, activées à l’aide d’un sélecteur en forme de pilule :

Tapez n’importe quel nom de modèle Hugging Face ou recherchez directement sur le Hub depuis la zone combinée. Les modèles locaux stockés dans ~/.unsloth/studio/models et votre cache Hugging Face apparaissent également dans la liste.

Lorsque vous choisissez un modèle, Studio récupère automatiquement sa configuration depuis le backend et pré-remplit des valeurs par défaut pertinentes pour tous les hyperparamètres.

Jeton HuggingFace

Collez ici votre jeton d’accès Hugging Face si le modèle est restreint (par ex. Llama, Gemma). Le jeton est validé en temps réel et une erreur est affichée en ligne s’il n’est pas valide.

2. Jeu de données

Passez entre deux onglets pour choisir l’origine de vos données :

• HuggingFace Hub - recherche en direct sur le Hub. La date de dernière mise à jour est affichée pour chaque résultat.

• Local - glisser-déposer ou cliquer pour téléverser un fichier non structuré ou des fichiers structurés comme : PDF, DOCX, JSONL, JSON, CSV, ou Parquet . Les jeux de données précédemment téléversés apparaissent dans une liste qui se rafraîchit automatiquement.

Vous pouvez consulter notre guide détaillé des jeux de données ici.

Prompt Studio pour interpréter et formater vos données :

Découpes et sous-ensembles

• Sous-ensemble - renseigné automatiquement à partir de la carte du jeu de données.

• Découpage entraînement / découpage évaluation - choisissez quels découpages utiliser. La définition d’un découpage d’évaluation active le perte d’évaluation graphique pendant l’entraînement.

• Segment du jeu de données - permet éventuellement de limiter l’entraînement à une plage de lignes (index de début / index de fin) pour des expériences rapides.

Mappage des colonnes

Si Studio ne peut pas associer automatiquement les colonnes de votre jeu de données aux bons rôles, une boîte de dialogue d’aperçu du jeu de données s’ouvre. Elle affiche des lignes d’exemple et vous permet d’assigner chaque colonne à instruction, input, output, imageetc. Les mappages suggérés sont préremplis lorsque c’est possible.

3. Hyperparamètres

Les paramètres sont regroupés en sections repliables. Vous pouvez consulter notre guide des hyperparamètres LoRA détaillé ici :

Paramètres LoRA

(Masqué lorsque l’affinage complet est sélectionné)

Pour Vision les modèles avec un jeu de données d’images, quatre cases à cocher supplémentaires apparaissent. Affiner :

Hyperparamètres d’entraînement

Organisés en trois onglets :

4. Entraînement et configuration

La carte en bas à droite contient trois boutons de gestion de configuration et le bouton Lancer l’entraînement .

Le bouton Lancer l’entraînement reste désactivé tant qu’un modèle et un jeu de données ne sont pas tous deux configurés. Les erreurs de validation s’affichent en ligne — par exemple, définir des étapes d’évaluation sans choisir de découpage d’évaluation, ou associer un modèle texte seul à un jeu de données vision.

Écran de chargement

Après avoir cliqué sur Lancer l’entraînement, une superposition plein écran apparaît pendant que le backend prépare tout.

La superposition affiche un terminal animé avec des mises à jour de phase en direct :

• Bleu : téléchargement du modèle / jeu de données

• Ambre : chargement du modèle / jeu de données

• Bleu : configuration

• Vert : entraînement

Vous pouvez annuler à tout moment en utilisant le bouton × dans le coin. Une boîte de dialogue de confirmation apparaîtra avant que quoi que ce soit ne soit arrêté.

Progression de l’entraînement et observabilité

Une fois que la première étape d’entraînement arrive, la superposition se ferme et la vue d’entraînement en direct s’affiche. Le processus d’affinage est terminé lorsque les étapes atteignent 100 % sur la barre de progression. Vous pouvez voir le temps écoulé et les jetons.

Graphiques

Quatre graphiques en direct se mettent à jour au fur et à mesure que l’entraînement progresse :

1. Perte d’entraînement - valeurs brutes plus une ligne lissée EMA et une ligne de référence de moyenne mobile

2. Taux d’apprentissage - la courbe du planificateur de LR

3. Norme du gradient - norme du gradient au fil des étapes

4. perte d’évaluation - affiché uniquement lorsque vous avez configuré un découpage d’évaluation

Chaque graphique dispose de paramètres (icône engrenage) avec :

Option

Par défaut

Fenêtre d’affichage

Curseur des N dernières étapes

Lissage EMA

0.6

Afficher les brutes

Activé

Afficher lissé

Activé

Afficher la ligne de moyenne

Activé

Échelle (par série)

Linéaire / Log

Écrêtage des valeurs aberrantes

Pas d’écrêtage / p99 / p95

Fichiers de configuration

Toutes les configurations d’entraînement peuvent être enregistrées et rechargées sous forme de fichiers YAML. Les fichiers sont nommés automatiquement comme suit :

Le YAML est structuré en trois sections :

Cela facilite la reproduction des exécutions, le partage des configurations ou la gestion de versions de vos expériences.

Recettes de données - Démarrage rapide

Unsloth Data Recipes vous permet de téléverser des documents comme des PDF ou des fichiers CSV et de les transformer en jeux de données exploitables. Créez et modifiez visuellement des jeux de données via un flux de travail en nœuds de graphe.

La page des recettes est le point d’entrée principal. Les recettes sont stockées localement dans le navigateur, vous pouvez donc revenir plus tard aux travaux enregistrés. À partir de là, vous pouvez créer une recette vierge ou ouvrir une recette d’apprentissage guidé.

Data Recipes suit le même chemin de base. Vous ouvrez la page des recettes, créez ou choisissez une recette, construisez le flux de travail dans l’éditeur, validez-le, exécutez un aperçu, puis lancez le jeu de données complet une fois que le résultat semble correct. Ajoutez des données d’amorçage et des blocs de génération, validez le flux de travail, prévisualisez un échantillon de sortie, puis lancez une génération complète du jeu de données. Unsloth Data Recipes est alimenté par NVIDIA DataDesigner.

À première vue, un flux de travail habituel devrait ressembler à ceci :

1. Ouvrir la page des recettes.

2. Créer une nouvelle recette ou en ouvrir une existante.

3. Ajouter des blocs pour définir le flux de travail de votre jeu de données.

4. Cliquez sur Valider pour détecter tôt les problèmes de configuration.

5. Exécuter un aperçu pour inspecter rapidement des lignes d’exemple.

6. Lancer une génération complète du jeu de données lorsque la recette est prête.

7. Consulter la progression et la sortie en direct dans le graphe ou dans la vue Exécutions pour plus de détails sur le mode.

8. Sélectionnez le jeu de données résultant dans Studio et affinez un modèle.

Export - Démarrage rapide

Utilisez « Export » dans Unsloth Studio pour exporter, enregistrer ou convertir des modèles en GGUF, Safetensors ou LoRA pour le déploiement, le partage ou l’inférence locale dans Unsloth, llama.cpp, Ollama, vLLM, et plus encore. Exportez un checkpoint entraîné ou convertissez n’importe quel modèle existant.

Vous pouvez lire ici notre tutoriel / guide détaillé sur l’exportation de modèles avec Unsloth Studio :

Tutoriel vidéo

Paramètres avancés

Commandes CLI

L’interface en ligne de commande Unsloth (cli.py) fournit les commandes suivantes :

Structure du projet

Référence de l’API

Tous les points de terminaison nécessitent un JWT valide Authorization: Bearer <token> en-tête (sauf /api/auth/* et /api/health).