# Unsloth Studioを始める

Unsloth Studioは、コードを書かずにLLMをファインチューニングできる、ローカルで動作するブラウザベースのGUIです。学習パイプラインをすっきりしたインターフェースで包み込み、モデルの読み込み、データセットの整形、ハイパーパラメータの設定、ライブ学習の監視を行えます。

<a href="/pages/511d3548745f95b53d7c4df809a4aeb55f219840#studio-quickstart" class="button secondary" data-icon="bolt">Studio</a><a href="/pages/511d3548745f95b53d7c4df809a4aeb55f219840#data-recipes-quickstart" class="button secondary" data-icon="hat-chef">データレシピ</a><a href="/pages/511d3548745f95b53d7c4df809a4aeb55f219840#export-quickstart" class="button secondary" data-icon="box-isometric">エクスポート</a><a href="/pages/511d3548745f95b53d7c4df809a4aeb55f219840#chat-quickstart" class="button secondary" data-icon="comment-dots">チャット</a>

#### Unsloth Studioをセットアップする

まず、ローカルインストールまたはクラウドオプションのいずれかを使ってUnsloth Studioを起動します。以下の [インストール手順](/docs/jp/xin-zhe/studio/install.md) をセットアップに合わせて進めるか、 [無料のColab](/docs/jp/xin-zhe/studio.md#google-colab-notebook) ノートブックを使ってください。ローカルセットアップの場合は、次を実行します:

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

{% columns %}
{% column %}
お好みのブラウザを開いて、 `http://127.0.0.1:8888`  をURL欄に入力してください。

初めてUnslothをインストールする場合は、 `http://127.0.0.1:8888/change-password`  ページに移動します。ここで新しいパスワードを作成する必要があります。パスワードは後からいつでも変更できます。
{% endcolumn %}

{% column %}

<div data-with-frame="true"><figure><img src="/files/79cedf6108cf3b33fc2bf54636ff7219055e7c21" alt=""><figcaption></figcaption></figure></div>
{% endcolumn %}
{% endcolumns %}

## <i class="fa-comment-dots">:comment-dots:</i> チャット - クイックスタート

[Unsloth Studio Chat](/docs/jp/xin-zhe/studio/chat.md) では、モデルをコンピューター上で100%オフラインで実行できます。Hugging Faceまたはローカルファイルから、GGUFやsafetensorsなどのモデル形式を実行できます。

* **ダウンロード＋実行** GGUF、ファインチューニング済みアダプター、safetensorsなど、あらゆるモデルを
* [**比較** 異なるモデルの](#model-arena) 出力を横並びで表示
* **アップロード** ドキュメント、画像、音声をプロンプトに含める
* [**調整** 推論](#generation-settings) 設定: temperature、top-p、top-k、システムプロンプト

<div data-with-frame="true"><figure><img src="/files/2a447379d050711909bc3d46c63b1becf93d1b34" alt="" width="563"><figcaption></figcaption></figure></div>

Unsloth Studioでのモデル実行に関する詳細なチュートリアル／ガイドはこちらでご覧いただけます:

{% content-ref url="/pages/ca5ab7d9f589ffe0771972c3c3b4665342eb3baf" %}
[Studio Chat](/docs/jp/xin-zhe/studio/chat.md)
{% endcontent-ref %}

### モデル読み込みガイド

APIを使用する前に、使用したいモデルを **読み込む** 必要があります。 **Unsloth** を開き、 **モデルを選択** チャットページの左上隅にあるドロップダウンを開きます。

<figure><img src="/files/e29038cb1426e393aee3cb144c904bc7a9438f27" alt=""><figcaption></figcaption></figure>

{% hint style="info" %}
別のページにいる場合は、左側のサイドバーを使って `新しいチャット` をクリックし、チャットページに戻ってください。
{% endhint %}

{% columns %}
{% column width="50%" %}

#### モデルを選択

検索バーを使って、Unslothに読み込みたいモデルを見つけます。

おすすめモデルを閲覧したり、Hugging Faceのモデルを直接検索したり、カスタムモデルディレクトリを設定したりできます。

ローカルで学習・エクスポートしたモデルは\`Fine-tuned\`タブから読み込めます。
{% endcolumn %}

{% column width="50%" %}

<figure><img src="/files/0a5379e254290c2a6816ade800ca656c5c05b1e8" alt=""><figcaption></figcaption></figure>
{% endcolumn %}
{% endcolumns %}

{% columns %}
{% column %}

#### GGUFの選択

モデルのリポジトリには複数の量子化版が含まれています。利用可能なRAM / VRAMに最も適した量子化を選択してください。\
\
このガイドでは `unsloth/gemma-4-26B-A4B-it-GGUF` を使い、推奨の `UD-Q4_K_XL` バリアント
{% endcolumn %}

{% column %}

<figure><img src="/files/d04a0206841c05f2c8edaac6f5e15643ef36b204" alt="" width="375"><figcaption></figcaption></figure>
{% endcolumn %}
{% endcolumns %}

#### を選択します

{% columns %}
{% column %}
使用したいモデルを検索してから、 **クリックして** ダウンロードと読み込みを開始します。

モデルバリアントを選択すると、Unslothはモデルのダウンロードを開始し、メモリに読み込みます。

読み込みが完了すると、次の確認が表示されます:
{% endcolumn %}

{% column %}

<figure><img src="/files/07a05ae7b7f92a987aa2ecfd691821a2fca4454f" alt=""><figcaption></figcaption></figure>

<figure><img src="/files/e2de1693e3883bb9a20005ce5450e8d9c7b6014f" alt=""><figcaption></figcaption></figure>
{% endcolumn %}
{% endcolumns %}

モデルは読み込まれ、使用可能です。これでUnsloth内でモデルと直接チャットするか、次のようなツールに接続できます: [Claude Code](/docs/jp/ji-ben/claude-code.md) および [Codex](/docs/jp/ji-ben/codex.md).

<figure><img src="/files/2c86177fef09b636c736623bc2c2908ac9873309" alt=""><figcaption></figcaption></figure>

## <i class="fa-bolt">:bolt:</i> Studio - クイックスタート

Unsloth Studioのホームページには、主に4つの領域があります: [モデル](#id-1.-select-model-and-method), [データセット](#id-2.-dataset), [パラメータ](#id-3.-hyperparameters)や [学習／設定](#id-4.-training-and-config)

* **モデルとデータの簡単なセットアップ** Hugging Faceまたはローカルファイルから
* **柔軟な学習方法** QLoRA、LoRA、フルファインチューニングなど。既定値はあらかじめ入力済み
* **便利な設定ツール** 分割、列マッピング、ハイパーパラメータ、YAML設定用
* **優れた学習の可視化** ライブ進捗、GPU統計、グラフ、起動状況付き

<div data-with-frame="true"><figure><img src="/files/e2258f6a434e9eea258b670355c6b2fcbe6c75dc" alt="" width="563"><figcaption></figcaption></figure></div>

### 1. モデルと手法を選択

#### **モデルタイプ**

ユースケースに合ったモダリティを選択してください:

| 種類       | ユースケース       |
| -------- | ------------ |
| **テキスト** | チャット、指示追従、補完 |
| **ビジョン** | 画像＋テキスト（VLM） |
| **音声**   | 音声／オーディオ理解   |
| **埋め込み** | 文埋め込み、検索     |

#### **学習手法**

3つの手法があり、ピル型セレクターで切り替えます:

| 手法               | 説明                      | VRAM |
| ---------------- | ----------------------- | ---- |
| **QLoRA**        | 4ビット量子化ベースモデル＋LoRAアダプター | 最小   |
| **LoRA**         | フル精度ベースモデル＋LoRAアダプター    | 中    |
| **フルファインチューニング** | すべての重みを学習               | 最大   |

任意のHugging Faceモデル名を入力するか、コンボボックスからHubを直接検索してください。 `~/.unsloth/studio/models` に保存されたローカルモデルと、Hugging Faceのキャッシュも一覧に表示されます。

{% hint style="warning" %}
GGUF形式のモデルは学習対象外です。推論専用です。
{% endhint %}

モデルを選ぶと、Studioは自動的にバックエンドから設定を取得し、すべてのハイパーパラメータに妥当な既定値を事前入力します。

**HuggingFaceトークン**

モデルがゲート付き（例: Llama、Gemma）の場合は、Hugging Faceのアクセストークンをここに貼り付けてください。トークンはリアルタイムで検証され、無効な場合はその場でエラーが表示されます。

### 2. データセット

{% columns %}
{% column %}
2つのタブを切り替えて、データの出所を選択します:

* **HuggingFace Hub** - Hubに対するライブ検索。各結果の最終更新日が表示されます。
* **ローカル** - ドラッグ＆ドロップ、またはクリックして、次のような非構造化／構造化ファイルをアップロードします: `PDF`, `DOCX`, `JSONL`, `JSON`, `CSV`、または `Parquet` 形式。以前アップロードしたデータセットは一覧に表示され、自動的に更新されます。

詳細な [データセットガイドはこちら](/docs/jp/meru/fine-tuning-llms-guide/datasets-guide.md).

Prompt Studioでデータをどう解釈し、どのように整形するか:
{% endcolumn %}

{% column %}

<div data-with-frame="true"><figure><img src="/files/e37537bf0dfb4f8ae7ca470093ff75de8df66a6b" alt=""><figcaption></figcaption></figure></div>
{% endcolumn %}
{% endcolumns %}

| 形式         | 使う場面                                 |
| ---------- | ------------------------------------ |
| `auto`     | Unslothに形式を自動検出させる                   |
| `alpaca`   | `instruction` / `input` / `output` 列 |
| `chatml`   | OpenAI風 `messages` 配列                |
| `sharegpt` | ShareGPT風の会話                         |

**分割とスライス**

* **サブセット** - データセットカードから自動で入力されます。
* **Train split / Eval split** - 使用する分割を選択します。eval splitを設定すると、学習中に **Eval Loss** グラフが有効になります。
* **データセットスライス** - 行範囲（開始インデックス／終了インデックス）を指定して学習を制限し、簡単な実験を行えます。

**列マッピング**

Studioがデータセットの列を正しい役割に自動マッピングできない場合は、 **データセットプレビューのダイアログ** が開きます。サンプル行を表示し、各列を `instruction`, `input`, `output`, `画像`などに割り当てられます。可能な場合は、推奨マッピングが事前入力されます。

### 3. ハイパーパラメータ

パラメータは折りたたみ可能なセクションにまとめられています。詳細な [LoRAハイパーパラメータガイド](/docs/jp/meru/fine-tuning-llms-guide/lora-hyperparameters-guide.md) はこちら:

{% content-ref url="/pages/dac5c97d7a208c227b8115ec72133012ad2d0113" %}
[Hyperparameters Guide](/docs/jp/meru/fine-tuning-llms-guide/lora-hyperparameters-guide.md)
{% endcontent-ref %}

| パラメータ              | 既定値    | 備考                          |
| ------------------ | ------ | --------------------------- |
| **Max Steps**      | `0`    | `0` はEpochの代わりに使用することを意味します |
| **Context Length** | `2048` | オプション: 512 → 32768          |
| **Learning Rate**  | `2e-4` |                             |

**LoRA設定**

*（フルファインチューニング選択時は非表示）*

| パラメータ         | 既定値    | 備考                                                                          |
| ------------- | ------ | --------------------------------------------------------------------------- |
| **Rank**      | `16`   | スライダー 4–128                                                                 |
| **Alpha**     | `32`   | スライダー 4–256                                                                 |
| **Dropout**   | `0.05` |                                                                             |
| **LoRAバリアント** | `LoRA` | `LoRA` / `RS-LoRA` / `LoftQ`                                                |
| **対象モジュール**   | すべてオン  | `q_proj`, `k_proj`, `v_proj`, `o_proj`, `gate_proj`, `up_proj`, `down_proj` |

について **ビジョン** 画像データセットを持つモデルでは、追加のチェックボックスが4つ表示されます。ファインチューニング対象:

| Vision Layers | Language Layers | Attention Modules | MLP Modules |
| ------------- | --------------- | ----------------- | ----------- |

**学習ハイパーパラメータ**

3つのタブに整理されています:

{% tabs %}
{% tab title="最適化" %}

| パラメータ                 | 既定値         |
| --------------------- | ----------- |
| Epochs                | 3           |
| Batch Size            | 4           |
| Gradient Accumulation | 8           |
| Weight Decay          | 0.01        |
| オプティマイザ               | AdamW 8-bit |

{% endtab %}

{% tab title="スケジュール" %}

| パラメータ                  | 既定値     |
| ---------------------- | ------- |
| LR Scheduler           | linear  |
| Warmup Steps           | 5       |
| Gradient Checkpointing | unsloth |
| Random Seed            | 3407    |
| Save Steps             | 0       |
| Eval Steps             | 0       |
| Packing                | false   |
| 補完に対して学習               | false   |
| {% endtab %}           |         |

{% tab title="ログ" %}

| パラメータ             | 既定値            |
| ----------------- | -------------- |
| W\&Bを有効化          | false          |
| W\&Bプロジェクト        | llm-finetuning |
| TensorBoardを有効化   | false          |
| TensorBoardディレクトリ | runs           |
| ログ頻度              | 10             |
| {% endtab %}      |                |
| {% endtabs %}     |                |

{% hint style="info" %}
[**Unsloth Gradient Checkpointing**](/docs/jp/burogu/500k-context-length-fine-tuning.md#unsloth-gradient-checkpointing-enhancements)**: `unsloth`** はUnsloth独自のメモリ効率の高い実装を使用しており、標準のPyTorchオプションと比べてVRAM使用量を大幅に削減できます。推奨の既定値です。
{% endhint %}

### 4. 学習と設定

右下のカードには3つの設定管理ボタンと **学習開始** ボタンがあります。

| ボタン        | 操作                          |
| ---------- | --------------------------- |
| **アップロード** | 以前に保存した `.yaml` 設定ファイルを読み込む |
| **保存**     | 現在の設定をYAMLとしてエクスポート         |
| **リセット**   | すべてのパラメータをモデルの既定値に戻す        |

学習開始ボタンは、モデルとデータセットの両方が設定されるまで無効のままです。検証エラーはその場で表示されます。たとえば、eval splitを選ばずにeval stepsを設定した場合や、テキスト専用モデルとビジョンデータセットを組み合わせた場合などです。

#### 読み込み画面

{% columns %}
{% column %}
をクリックすると、 **学習開始**バックエンドがすべての準備をしている間、全画面オーバーレイが表示されます。

<div data-with-frame="true"><figure><img src="/files/038dd0c9b5e07e8210588ff8f63176d9678916f7" alt="" width="375"><figcaption></figcaption></figure></div>
{% endcolumn %}

{% column %}
オーバーレイには、ライブのフェーズ更新を表示するアニメーション端末が表示されます:

* 青: モデル／データセットをダウンロード中
* 琥珀: モデル／データセットを読み込み中
* 青: 設定中
* 緑: 学習中

いつでも **×** ボタンでキャンセルできます。停止される前に確認ダイアログが表示されます。
{% endcolumn %}
{% endcolumns %}

### 学習進捗と可観測性

最初の学習ステップに入るとオーバーレイは閉じ、ライブ学習ビューが表示されます。進捗バーが100%に達するとファインチューニングは完了です。経過時間とトークンを確認できます。&#x20;

<div data-with-frame="true"><figure><img src="/files/365d55312a52058cd3a5189623ed1d15fb5da521" alt="" width="563"><figcaption></figcaption></figure></div>

{% columns %}
{% column %}

#### ステータスパネル

左カラムには以下が表示されます:

* **Epoch** - 現在の小数付きEpoch（例: `Epoch 1.23`)
* **進捗バー** - ステップベース、パーセンテージ表示
* **主要メトリクス**:
  * **Loss** - 学習損失を小数点以下4桁で表示
  * **LR** - 現在の学習率を科学表記で表示
  * **Grad Norm** - 勾配ノルム
  * **モデル** - 学習中のモデル
  * **手法** - `QLoRA` / `LoRA` / `フル`
* **時間行** - 経過時間、ETA、毎秒ステップ数、処理済み総トークン数
  {% endcolumn %}

{% column %}

#### GPUモニター

右カラムには、数秒ごとに取得されるライブGPU統計が表示されます:

* **使用率** - パーセンテージバー
* **温度** - ℃バー
* **VRAM** - 使用済み／総GB
* **電力** - 消費／上限をワットで表示

#### 学習の停止

を使ってください **学習停止** 進捗カード右上のボタン。ダイアログで2つの選択肢が示されます:

* **停止して保存** - 停止前にチェックポイントを保存
* **キャンセル** - チェックポイントなしで即停止
  {% endcolumn %}
  {% endcolumns %}

{% columns %}
{% column %}

#### グラフ

学習の進行に合わせて4つのライブグラフが更新されます:

1. **Training Loss** - 生値に加え、EMAで平滑化した線と、移動平均の参照線
2. **Learning Rate** - LRスケジュール曲線
3. **Gradient Norm** - ステップごとの勾配ノルム
4. **Eval Loss** - eval splitを設定した場合のみ表示
   {% endcolumn %}

{% column %}

<div data-with-frame="true"><figure><img src="/files/b477cf173cc2f2028f6042e912e1725e1fd24a6a" alt="" width="278"><figcaption></figcaption></figure></div>
{% endcolumn %}
{% endcolumns %}

{% columns %}
{% column %}
各グラフには設定（歯車アイコン）があり、以下を含みます:

| オプション           | 既定値                |
| --------------- | ------------------ |
| 表示範囲            | 直近Nステップのスライダー      |
| EMA平滑化          | `0.6`              |
| 生データを表示         | オン                 |
| 平滑化を表示          | オン                 |
| 平均線を表示          | オン                 |
| スケール（系列ごと）      | 線形 / 対数            |
| 外れ値クリップ         | クリップなし / p99 / p95 |
| {% endcolumn %} |                    |

{% column %}

<div data-with-frame="true"><figure><img src="/files/12f37c07105b36227109f5f130db6d653593662a" alt="" width="276"><figcaption></figcaption></figure></div>
{% endcolumn %}
{% endcolumns %}

#### 設定ファイル

{% columns %}
{% column %}
すべての学習設定はYAMLファイルとして保存・再読み込みできます。ファイル名は自動的に次の形式になります:

```
{model}_{method}_{dataset}_{timestamp}.yaml
```

{% endcolumn %}

{% column %}

<div data-with-frame="true"><figure><img src="/files/f9a04bb425dc69db4380708f7eb09dd7bf7abd98" alt="" width="178"><figcaption></figcaption></figure></div>
{% endcolumn %}
{% endcolumns %}

YAMLは3つのセクションに分かれています:

{% code expandable="true" %}

```yaml
training:
  max_steps: 0
  num_train_epochs: 3
  per_device_train_batch_size: 4
  ...

lora:
  r: 16
  lora_alpha: 32
  ...

logging:
  report_to: none
  ...
```

{% endcode %}

これにより、実行の再現、設定の共有、実験のバージョン管理が容易になります。

## <i class="fa-hat-chef">:hat-chef:</i> データレシピ - クイックスタート

[Unsloth Data Recipes](/docs/jp/xin-zhe/studio/data-recipe.md) では、PDFやCSVなどの文書をアップロードして、利用可能なデータセットに変換できます。グラフノードのワークフローを使って、視覚的にデータセットを作成・編集できます。

レシピページがメインの入口です。レシピはブラウザ内にローカル保存されるため、後で保存済みの作業に戻れます。ここから空のレシピを作成するか、ガイド付き学習レシピを開けます。

<div data-with-frame="true"><figure><img src="/files/1e242ab6bcf04c0b9f709e28e6dc6e17fca1b887" alt="" width="563"><figcaption></figcaption></figure></div>

Data Recipesも同じ基本的な流れです。レシピページを開き、レシピを作成または選択し、エディタでワークフローを組み、検証してプレビューを実行し、出力が問題なければデータセット全体を実行します。シードデータと生成ブロックを追加し、ワークフローを検証し、サンプル出力をプレビューしてから、データセット全体をビルドします。Unsloth Data RecipesはNVIDIAの [DataDesigner](https://github.com/NVIDIA-NeMo/DataDesigner).

一目でわかる通常のワークフローは次のようになります:

1. レシピページを開く。
2. 新しいレシピを作成するか、既存のものを開く。
3. ブロックを追加してデータセットのワークフローを定義する。
4. クリックして **検証** して、設定の問題を早期に検出する。
5. プレビューを実行してサンプル行をすばやく確認する。
6. レシピの準備ができたら、データセット全体のビルドを実行する。
7. 進捗と出力をグラフ上または **実行** ビューで詳細確認します。
8. 結果のデータセットを **Studio** で選択し、モデルをファインチューニングします。

## <i class="fa-box-isometric">:box-isometric:</i> エクスポート - クイックスタート

Unsloth Studioの「Export」を使って、モデルをGGUF、Safetensors、またはLoRAへエクスポート、保存、変換し、Unsloth、llama.cpp、Ollama、vLLMなどでのデプロイ、共有、ローカル推論に利用できます。学習済みチェックポイントをエクスポートするか、既存のモデルを変換できます。

<div data-with-frame="true"><figure><img src="/files/071df4d7ccfb914388b3b68951f429aef026c82f" alt="" width="563"><figcaption></figcaption></figure></div>

Unsloth Studioでのモデルのエクスポートに関する詳細なチュートリアル／ガイドはこちらでご覧いただけます:

{% content-ref url="/pages/a58a8ab897451539e1493312c6a640b4d5ee40b7" %}
[Model Export](/docs/jp/xin-zhe/studio/export.md)
{% endcontent-ref %}

## <i class="fa-video">:video:</i> ビデオチュートリアル

{% hint style="warning" %}
動画で示されているUnsloth Studioのバージョンは古く、現在のバージョンを反映していません。
{% endhint %}

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

Studioの使い始めに役立つ、NVIDIA作成のビデオチュートリアルはこちらです:
{% endcolumn %}

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

Unsloth Studioのインストール方法 ビデオチュートリアル
{% endcolumn %}
{% endcolumns %}

## 詳細設定

### CLIコマンド

Unsloth CLI（`cli.py`）では、次のコマンドを利用できます:

```
使い方: cli.py [COMMAND]

コマンド:
  train             モデルをファインチューニングする
  inference         学習済みモデルで推論を実行する
  export            学習済みアダプターをエクスポートする
  list-checkpoints  保存済みチェックポイントを一覧表示する
  ui                Unsloth StudioのWeb UIを起動する
  studio            Studioを起動する（エイリアス）
```

### プロジェクト構成

{% code expandable="true" %}

```
new-ui-prototype/
├── cli.py                     # CLIエントリポイント
├── cli/                       # Typer CLIコマンド
│   └── commands/
│       ├── train.py
│       ├── inference.py
│       ├── export.py
│       ├── ui.py
│       └── studio.py
├── setup.sh                   # ブートストラップスクリプト（Linux / WSL / Colab）
├── setup.ps1                  # ブートストラップスクリプト（Windowsネイティブ）
├── setup.bat                  # ダブルクリックでsetup.ps1を起動するラッパー
├── install_python_stack.py    # クロスプラットフォームのPython依存関係インストーラー
└── studio/
    ├── backend/
    │   ├── main.py            # FastAPIアプリ＆ミドルウェア
    │   ├── run.py             # サーバー起動（uvicorn）
    │   ├── auth/              # 認証ストレージ＆JWTロジック
    │   ├── routes/            # APIルートハンドラー
    │   │   ├── training.py
    │   │   ├── models.py
    │   │   ├── inference.py
    │   │   ├── datasets.py
    │   │   └── auth.py
    │   ├── models/            # Pydanticのリクエスト／レスポンススキーマ
    │   ├── core/              # 学習エンジン＆設定
    │   ├── utils/             # ハードウェア検出、ヘルパー
    │   └── requirements.txt
    ├── frontend/
    │   ├── src/
    │   │   ├── features/      # 機能モジュール
    │   │   │   ├── auth/      # ログイン／サインアップフロー
    │   │   │   ├── training/  # 学習設定＆監視
    │   │   │   ├── studio/    # メインStudioワークスペース
    │   │   │   ├── chat/      # 推論チャットUI
    │   │   │   ├── export/    # モデルエクスポートの流れ
    │   │   │   └── onboarding/# オンボーディングウィザード
    │   │   ├── components/    # 共有UIコンポーネント（shadcn）
    │   │   ├── hooks/         # カスタムReactフック
    │   │   ├── stores/        # Zustandステートストア
    │   │   └── types/         # TypeScript型定義
    │   ├── package.json
    │   └── vite.config.ts
    └── tests/                 # バックエンドのテストスイート
```

{% endcode %}

### APIリファレンス

すべてのエンドポイントには、有効なJWT `Authorization: Bearer <token>` ヘッダーが必要です（ただし `/api/auth/*` および `/api/health`).

| 手法     | エンドポイント               | 説明                              |
| ------ | --------------------- | ------------------------------- |
| `GET`  | `/api/health`         | ヘルスチェック                         |
| `GET`  | `/api/system`         | システム情報（GPU、CPU、メモリ）             |
| `POST` | `/api/auth/signup`    | アカウントを作成する（初回実行時にセットアップトークンが必要） |
| `POST` | `/api/auth/login`     | ログインしてJWTトークンを受け取る              |
| `POST` | `/api/auth/refresh`   | 期限切れのアクセストークンを更新する              |
| `GET`  | `/api/auth/status`    | 認証が初期化されているか確認する                |
| `POST` | `/api/train/start`    | 学習ジョブを開始する                      |
| `POST` | `/api/train/stop`     | 実行中の学習ジョブを停止する                  |
| `POST` | `/api/train/reset`    | 学習状態をリセットする                     |
| `GET`  | `/api/train/status`   | 現在の学習ステータスを取得する                 |
| `GET`  | `/api/train/metrics`  | 学習メトリクス（損失、LR、ステップ）を取得する        |
| `GET`  | `/api/train/stream`   | リアルタイムの学習進捗をSSEストリームで取得         |
| `GET`  | `/api/models/`        | 利用可能なモデルを一覧表示する                 |
| `POST` | `/api/inference/chat` | 推論用のチャットメッセージを送信する              |
| `GET`  | `/api/datasets/`      | データセットを一覧表示 / 管理する              |


---

# 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/jp/xin-zhe/studio/start.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.