Unsloth Studioを始める
ファインチューニングスタジオ、データレシピ、モデルのエクスポート、チャットを始めるためのガイド。
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。
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 をセットアップに合わせて進めるか、 無料のColab 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:
unsloth studio -H 0.0.0.0 -p 8888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。

チャット - クイックスタート
Unsloth Studio Chat 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 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 設定: temperature、top-p、top-k、システムプロンプト

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:
Studio Chat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。

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。


を選択します
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:


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 および Codex.

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, データセット, パラメータや 学習/設定
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

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:
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:
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。
GGUF形式のモデルは学習対象外です。推論専用です。
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
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.
Prompt Studioでデータをどう解釈し、どのように整形するか:

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 はこちら:
🧠Hyperparameters GuideMax 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)
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:
Epochs
3
Batch Size
4
Gradient Accumulation
8
Weight Decay
0.01
オプティマイザ
AdamW 8-bit
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
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
Unsloth Gradient Checkpointing: 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。
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。
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
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。

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。
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。


各グラフには設定(歯車アイコン)があり、以下を含みます:
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

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形式になります:

YAMLは3つのセクションに分かれています:
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容易になります。
データレシピ - クイックスタート
Unsloth Data Recipes 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。

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.
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:
レシピページを開く。
新しいレシピを作成するか、既存のものを開く。
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。
クリックして 検証 して、設定の問題を早期に検出する。
プレビューを実行してサンプル行をすばやく確認する。
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。
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。
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。
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。

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:
Model Export ビデオチュートリアル
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。
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:
Unsloth Studioのインストール方法 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).
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
最終更新
役に立ちましたか?

