🦥Unsloth Studio 介绍

我们正在推出 Unsloth Studio （Beta）：一个开源、无需代码的 Web UI，用于在一个统一的 本地 界面中训练、运行和导出开源模型。

快速开始功能GitHub

• 运行 GGUF, MLX 以及扩散图像/视频模型在 Mac、Windows、Linux 上本地运行。

• 以减少 70% VRAM 的方式，让 500+ 个模型的训练速度提升 2 倍（且不损失准确率）

• 运行和训练文本、扩散视觉、TTS 音频、嵌入模型

准确的工具调用

获得更准确 50%、自我修复的工具调用，以及沙盒化代码执行

扩散图像/视频

像 MiniMax H3 这样的图像/视频扩散模型可运行与训练，推理速度提升 2 倍。

让你的智能体本地化

通过模型切换，将本地 LLM 连接到 Claude Code 和 Codex 等智能体工具

无限网页搜索

获得无限制、私密且安全的网页搜索与深度研究

运行最新模型

发现、管理和训练最新的 Muse Glimmer、MiniMax-H3、Kimi K3、Qwen3.8 模型。

随处部署

安全地远程部署模型，并通过 Cloudflare HTTPS 在任何地方访问 Unsloth

• MacOS： 训练、MLX 和 GGUF 推理都可在 Unsloth 中运行。

• 无需数据集。 自动创建数据集 从 PDF、CSV、JSON、DOCX、TXT 文件中。

• 将你的本地模型连接到任意智能体，包括 Claude Code, Codex, Hermes 等。

• 导出或保存 你的模型为 GGUF、16 位 safetensor 等格式。

• 自我修复工具调用 / 高级 网页搜索 + 代码执行

• 自动推理设置、编辑聊天模板、将 Unsloth 用作 API 端点.

⭐ 功能

执行代码 + 自我修复工具调用

Unsloth Studio 让 LLM 能运行 Bash 和 Python，而不仅仅是在绕过权限的情况下运行 JavaScript。它还会像 Claude Artifacts 那样对程序进行沙盒化，让模型可以测试代码、生成文件，并通过真实计算验证答案。

例如，Unsloth 创建了一个沙盒，让 GLM-5.2 执行代码，并在 Canvas 中显示为 HTML 预览。

升级的网页搜索

Unsloth 私密、无限且安全的网页搜索会真正直接访问页面以收集相关信息和数据，而不只是扫描网站摘要。这能提供更准确、更深入的信息和上下文输出。

例如，Qwen3.5-4B 搜索了 20 多个网站并引用了来源，网页搜索发生在其思考轨迹中。

作为 API 端点的 Unsloth

你现在可以通过以下工具使用本地 LLM： Claude Code 和 Codex ，方法是将其连接到 Unsloth 的 API 端点。这意味着你可以在这些工具中直接运行 Qwen 和 Gemma 模型，并使用 Unsloth 的推理能力，其中包括自我修复工具调用、网页搜索等功能。

你也可以 连接一个提供商 ，例如 OpenAI、Anthropic 或 vLLM，到 Unsloth。

无需代码训练

上传 PDF、CSV、JSON 文档或 YAML 配置，并立即在 NVIDIA 上开始训练。Unsloth 的内核可在 500+ 个文本、视觉、TTS/音频和嵌入模型上优化 LoRA、FP8、FFT、PT。

微调最新的 LLM，例如 Qwen3.5 和 NVIDIA Nemotron 3. 多 GPU 会自动工作，新版本即将推出。

在本地运行模型

搜索并运行 GGUF 和 safetensor 模型，具备自我修复 工具调用、高级 网页搜索, 自动推理 设置， 代码执行 （Bash + Python）、 API。上传图片、文档、音频、代码。

并排对战模型。由 llama.cpp + Hugging Face 驱动，Unsloth 支持 多 GPU 推理、 自动卸载与适配，以及大多数模型。

数据配方

数据配方 通过图节点工作流将你的文档转换为可用/合成数据集。上传非结构化或结构化文件，如 PDF、CSV 和 JSON。由 NVIDIA Nemo 驱动的 Unsloth Data Recipes 数据设计器会自动将文档转换为你想要的格式。

可观测性

获得 完整可视化 来了解并控制你的训练运行。可实时跟踪训练损失、梯度范数和 GPU 利用率，并按你的喜好自定义。

你甚至可以在手机等其他设备上查看训练进度。

导出 / 保存模型

导出任何模型，包括你微调后的模型，导出为 safetensors 或 GGUF，以便在 llama.cpp、vLLM、Ollama、LM Studio 等中使用。

会保存你的训练历史，因此你可以回看运行、再次导出并进行实验。

隐私优先 + 安全

Unsloth Studio 可 100% 离线并在你的电脑本地使用。其基于令牌的身份验证，包括加密密码以及 JWT 访问/刷新流程，可确保你的数据安全。

你可以使用之前已下载的现有/旧模型或 GGUF。请阅读 这里的说明.

⚡ 快速开始

通过 Unsloth Desktop 安装

安装 Unsloth Studio 最简单的方法是使用原生 Desktop 应用。请根据你的操作系统下载：

• 下载 macOS 版

• 下载 Windows 版

• 下载 Linux 版

如需手动安装 Unsloth Studio，请使用下面的命令。再次运行相同命令即可更新：

MacOS、Linux、WSL：

Windows PowerShell：

启动 Unsloth

通过 HTTPS 和 Cloudflare 安全启动 Unsloth

新！ Unsloth 现在提供了一种通过免费的 Cloudflare 隧道，以 HTTPS 安全启动 Unsloth 的方式。使用下面的命令（可在 Windows、Mac 和 Linux 上运行）：

如需了解更多安装和卸载详情，请访问 Unsloth Studio 安装 部分。

Google Colab 笔记本

我们创建了一个 免费的 Google Colab 笔记本 ，这样你就可以在 Colab 的 T4 GPU 上探索 Unsloth 的所有功能。你可以训练并运行最多 22B 参数的大多数模型，也可以切换到更大的 GPU 来运行更大的模型。只需点击“Run all”，安装完成后 UI 就会弹出。

Google Colabcolab.research.google.com

安装完成后，滚动到 启动 Unsloth Studio 并点击 打开 Unsloth Studio 在左侧显示的白色框中：

继续向下滚动，查看实际的 UI。

👾 Unsloth Start

Unsloth Start 让你可以通过 Claude Code, Codex 以及其他智能体连接到本地模型，使用 unsloth start 命令。

启动 Unsloth，加载模型，打开你的项目文件夹，然后运行：

将 claude 替换为下面任意智能体：

工作流程

以下是 Unsloth Studio 的常见工作流程，可帮助你快速上手：

1. 从以下位置启动 Unsloth 安装说明.

2. 从本地文件或受支持的集成中加载模型。

3. 从 PDF、CSV 或 JSONL 文件导入训练数据，或从零开始构建数据集。

4. 在 数据配方.

5. 使用推荐预设开始训练，或自行自定义配置。

6. 与训练后的模型聊天，并将其输出与基础模型进行比较。

7. 保存或导出 到你已经使用的本地技术栈中。

你可以阅读我们对 Unsloth Studio 各个部分的深入介绍：

常见问题

Unsloth 会收集或存储数据吗？ Unsloth 不收集使用遥测数据。Unsloth 仅收集兼容性所需的最少硬件信息，例如 GPU 类型和设备（如 Mac）。Unsloth Studio 100% 离线并在本地运行。

如何使用我之前从 Hugging Face 下载的旧/现有模型？ 是的，你可以使用之前从 Hugging Face 等下载的现有/旧模型或 GGUF。现在它们应该会被 Unsloth 自动检测到，否则请阅读我们的 这里的说明.

为什么在 Unsloth 中推理有时更慢？ Unsloth 和其他本地推理应用一样，都是由 llama.cpp 驱动的，因此速度大致应相同。有时 Unsloth 可能会变慢，是因为你开启了网页搜索、代码执行、自我修复工具调用。这些功能都会让推理变慢。如果在关闭所有功能后速度差异仍然偏慢，请在 GitHub 上提交 issue！

Unsloth Studio 支持与 OpenAI 兼容的 API 吗？ 是的，请查看我们的 这里的 API 端点指南.

Unsloth 现在是否采用 AGPL-3.0 许可证？ Unsloth 采用 Apache 2.0 和 AGPL-3.0 的双许可模式。核心 Unsloth 包仍采用 Apache 2.0许可，而某些可选组件，例如 Unsloth Studio UI，则采用 AGPL-3.0.

这种结构有助于支持 Unsloth 的持续开发，同时保持项目开源，并让更广泛的生态系统持续增长。

Unsloth 只支持 LLM 吗？ 不。Unsloth 支持一系列受支持的 transformers 兼容模型家族，包括文本、多模态模型、 文本转语音、音频、 嵌入以及 BERT 风格的模型。

我可以使用自己的训练配置吗？ 可以。导入 YAML 配置后，Unsloth 会预先填充相关设置。

使用 UI 是否需要训练模型？ 不需要，你可以直接下载任何 GGUF 或模型，而无需对任何模型进行微调。

致谢

非常感谢 NVIDIA 和 Hugging Face 参与我们的发布。同时也感谢所有 Unsloth Studio 的早期测试者，我们非常感谢你们的时间和反馈。我们还要感谢 llama.cpp、PyTorch 和开源模型实验室提供了让 Unsloth Studio 成为可能的基础设施。