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するための、ローカルでブラウザベースの GUI です。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設定、ライブでの学習監視を扱う、クリーンなインターフェースで学習パイプラインを包み込みます。

Unslothデータレシピエクスポートチャット

Unsloth Studio のセットアップ

Unsloth Desktop でインストールします。 Unsloth Studioをインストールする最も簡単な方法は、ネイティブのデスクトップアプリを使うことです。お使いのOSに合わせてダウンロードしてください：

• macOS用をダウンロード

• Windows用をダウンロード

• Linux用をダウンロード

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用して Unsloth Studio を起動します。 インストール手順 あなたの環境に合わせて、または私たちの 無料の Colab ノートブックを使用してください。ローカル環境でのセットアップは、次を実行します:

unsloth studio -H 0.0.0.0 -p 8888

お好みのブラウザを開いて、次へ移動してください http://127.0.0.1:8888。新しいパスワードを作成する必要があります。

HTTPS と Cloudflare を使用して Unsloth を安全に起動します。 Unslothでは、無料のCloudflareトンネルを通じてHTTPSでUnslothを起動する安全な方法を提供するようになりました。以下を使用してください（Windows、Mac、Linuxで動作します）:

コピー

unsloth studio --secure

チャット - クイックスタート

Unsloth Studio チャット では、モデルをコンピュータ上で 100% オフラインで実行できます。Hugging Face やローカルファイルから、GGUF や safetensors などのモデル形式を実行します。

• 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、safetensors など、任意のモデル

• 比較 別のモデル 出力を並べて

• アップロード プロンプトに文書、画像、音声を

• 調整 推論 temperature、top-p、top-k、システムプロンプトなどの設定

Unsloth Studio でモデルを実行する方法についての詳細チュートリアル / ガイドはこちらでご覧いただけます:

モデル読み込みガイド

API を使用する前に、 モデルを読み込む必要があります 使用したい Unsloth で。 次を開きます 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。

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。

推奨モデルを閲覧したり、Hugging Face 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・書き出ししたモデルは、`Fine-tuned` タブから読み込めます。

GGUF の選択

モデルリポジトリには複数の量子化版があります。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。 このガイドでは次を使用します unsloth/gemma-4-26B-A4B-it-GGUF そして推奨の UD-Q4_K_XL バリアント

モデルのダウンロード

使用したいモデルを検索して、次に それをクリックして ダウンロードと読み込みを開始します。

モデルのバリアントを選択すると、Unsloth はモデルをダウンロードしてメモリに読み込み始めます。

読み込みが完了すると、次の確認メッセージが表示されます:

モデルが読み込まれ、使用準備が整いました。これで Unsloth で直接モデルとチャットするか、次のようなツールに接続できます Claude Code と Codex.

Unsloth - クイックスタート

Unsloth Studio のホームページには 4 つの主要エリアがあります: モデル, データセット, パラメータと 学習/設定

• モデルとデータを簡単にセットアップ Hugging Face またはローカルファイルから

• 柔軟な学習方式 QLoRA、LoRA、フルファインチューニングなど。既定値は入力済み

• 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、チャート、起動状況付き

1. モデルと手法を選択

モデルタイプ

ユースケースに合うモダリティを選択してください:

学習手法

3 つの手法があり、ピル型セレクタで切り替えます:

Hugging Face のモデル名を入力するか、コンボボックスから Hub を直接検索します。ローカルに保存されたモデルは ~/.unsloth/studio/models と、あなたの Hugging Face キャッシュも一覧に表示されます。

モデルを選ぶと、Unsloth はバックエンドからその設定を自動取得し、すべてのハイパーパラメータに適切な既定値を自動入力します。

HuggingFace トークン

モデルがゲート付きの場合（例: Llama、Gemma）、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

2 つのタブを切り替えて、データの取得元を選択します:

• HuggingFace Hub - Hub に対するライブ検索です。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。以前アップロードされたデータセットは、自動的に更新される一覧に表示されます。

詳細な データセットガイドはこちら.

データの解釈と整形方法を Unsloth に指示します:

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的に入力されます。

• 学習分割 / 評価分割 - 使用する分割を選択します。評価分割を設定すると、 評価損失 チャートが学習中に有効になります。

• データセットのスライス - 必要に応じて、素早い実験のために学習を行数範囲（開始インデックス / 終了インデックス）に制限できます。

列マッピング

Unsloth 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、 データセットプレビューダイアログ が開きます。サンプル行が表示され、各列を次のように割り当てられます instruction, 入力, 出力, 画像 など。推奨マッピングは可能な場合あらかじめ入力されています。

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分かれています。詳細な LoRA ハイパーパラメータガイド はこちら:

LoRA 設定

（フルファインチューニング選択時は非表示）

〜には ビジョン 画像データセットを持つモデルでは、4 つの追加チェックボックスが表示されます。ファインチューニングする項目:

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:

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。

モデルとデータセットの両方が設定されるまで、学習開始ボタンは無効のままです。検証エラーはその場で表示されます。たとえば、評価分割を選ばずに評価ステップを設定した場合や、テキスト専用モデルに画像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

クリックすると 学習開始、バックエンドがすべてを準備している間、全画面のオーバーレイが表示されます。

オーバーレイには、進行段階のライブ更新を表示するアニメーション付きターミナルが表示されます:

• 青: モデル / データセットをダウンロード中

• 琥珀色: モデル / データセットを読み込み中

• 青: 設定中

• 緑: 学習中

次を使って、いつでもキャンセルできます × 右上隅のボタン。停止前に確認ダイアログが表示されます。

学習進捗と可観測性

最初の学習ステップが始まると、オーバーレイは閉じられ、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。

チャート

学習の進行に合わせて 4 つのライブチャートが更新されます:

1. 学習損失 - 生値に加え、EMA で平滑化した線と移動平均の参照線

2. 学習率 - LR スケジュール曲線

3. 勾配ノルム - ステップごとの勾配ノルム

4. 評価損失 - 評価分割を設定した場合にのみ表示されます

各チャートには、次の設定（歯車アイコン）があります:

オプション

既定値

表示ウィンドウ

直近 N ステップのスライダー

EMA 平滑化

0.6

生値を表示

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

外れ値クリッピング

クリップなし / p99 / p95

設定ファイル

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ようになります:

YAML は 3 つのセクションで構成されます:

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簡単になります。

データレシピ - クイックスタート

Unsloth Data Recipes PDFやCSVファイルなどのドキュメントをアップロードし、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、データセットを視覚的に作成・編集します。

レシピページが主な入口です。レシピはブラウザにローカル保存されるため、保存した作業に後で戻れます。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くことができます。

Data Recipes は同じ基本的な流れに従います。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構築し、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、データセット全体のビルドを実行します。Unsloth Data Recipes は NVIDIA によって支えられています DataDesigner.

一見すると、通常のワークフローは次のようになります：

1. レシピページを開きます。

2. 新しいレシピを作成するか、既存のレシピを開きます。

3. データセットのワークフローを定義するブロックを追加します。

4. 「 検証 」をクリックして、設定の問題を早期に見つけます。

5. プレビューを実行して、サンプル行をすばやく確認します。

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します。

7. 進捗と出力をグラフ上または 実行 ビューで詳細を確認できます。

8. 生成されたデータセットを Unsloth で選択して、モデルをファインチューニングします。

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 としてエクスポート、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ことも、既存の任意のモデルを変換することもできます。

Unsloth Studio を使ったモデルのエクスポートに関する詳細なチュートリアル／ガイドはこちらで読めます：

ビデオチュートリアル

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：

プロジェクト構成

APIリファレンス

すべてのエンドポイントでは有効な JWT が必要です Authorization: Bearer <token> ヘッダーが必要です（ただし /api/auth/* と /api/health).