# 开始使用 Unsloth Studio

Unsloth Studio 是一个基于浏览器的本地 GUI，可在不编写任何代码的情况下微调 LLM。它将训练流水线封装在一个简洁的界面中，负责模型加载、数据集格式化、超参数配置以及实时训练监控。

<a href="#studio-quickstart" class="button secondary" data-icon="bolt">工作室</a><a href="#data-recipes-quickstart" class="button secondary" data-icon="hat-chef">数据配方</a><a href="#export-quickstart" class="button secondary" data-icon="box-isometric">导出</a><a href="#chat-quickstart" class="button secondary" data-icon="comment-dots">聊天</a><a href="#video-tutorial" class="button secondary" data-icon="video">视频</a>

#### 设置 Unsloth Studio

首先，使用本地安装或云端选项启动 Unsloth Studio。请遵循 [安装说明](https://unsloth.ai/docs/zh/xin-zeng/studio/install) 进行你的环境设置，或使用我们的 [免费 Colab](https://unsloth.ai/docs/zh/xin-zeng/studio/..#google-colab-notebook) 笔记本。对于本地安装，请运行：

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

然后在浏览器中打开 `http://localhost:8888` 。

{% columns %}
{% column %}
首次启动时，你需要创建一个密码来保护你的账户，并在之后再次登录。

随后你会看到一个简短的入门向导，用于选择模型、数据集和基本设置。你可以随时跳过它，并手动配置一切。
{% endcolumn %}

{% column %}

<div data-with-frame="true"><figure><img src="https://2657992854-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2FZPtRrwafzmVX54HhyyBD%2FScreenshot%202026-03-16%20at%2011.25.22%E2%80%AFPM.png?alt=media&#x26;token=9153c153-ec61-4fff-b1b9-db7f70ac2936" alt=""><figcaption></figcaption></figure></div>
{% endcolumn %}
{% endcolumns %}

## <i class="fa-bolt">:bolt:</i> 工作室 - 快速开始

Unsloth Studio 主页有 4 个主要区域： [模型](#id-1.-select-model-and-method), [数据集](#id-2.-dataset), [参数](#id-3.-hyperparameters)，以及 [训练/配置](#id-4.-training-and-config)

* **便于模型和数据的轻松设置** 来自 Hugging Face 或本地文件
* **灵活的训练选择** 如 QLoRA、LoRA 或全参数微调，并已填入默认值
* **实用的配置工具** 用于拆分、列映射、超参数和 YAML 配置
* **出色的训练可视化** 包含实时进度、GPU 状态、图表、启动状态

<div data-with-frame="true"><figure><img src="https://2657992854-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2FxV1PO5DbF3ksB51nE2Tw%2Fmore%20cropped%20ui%20for%20homepage.png?alt=media&#x26;token=f75942c9-3d8d-4b59-8ba2-1a4a38de1b86" alt="" width="563"><figcaption></figcaption></figure></div>

### 1. 选择模型和方法

#### **模型类型**

选择与你的使用场景相匹配的模态：

| 类型     | 使用场景         |
| ------ | ------------ |
| **文本** | 聊天、指令跟随、补全   |
| **视觉** | 图像 + 文本（VLM） |
| **音频** | 语音 / 音频理解    |
| **嵌入** | 句子嵌入、检索      |

#### **训练方法**

有三种方法可用，可通过胶囊选择器切换：

| 方法        | 描述                   | 显存 |
| --------- | -------------------- | -- |
| **QLoRA** | 4 位量化基座模型 + LoRA 适配器 | 最低 |
| **LoRA**  | 全精度基座模型 + LoRA 适配器   | 中等 |
| **全参数微调** | 所有权重都会被训练            | 最高 |

可输入任意 Hugging Face 模型名称，或直接在组合框中搜索 Hub。存储在 `~/.unsloth/studio/models` 以及你的 Hugging Face 缓存中的本地模型也会显示在列表中。

{% hint style="warning" %}
GGUF 格式模型被排除在训练之外——它们仅用于推理。
{% endhint %}

当你选择一个模型时，Studio 会自动从后端获取其配置，并为所有超参数预填合适的默认值。

**HuggingFace 令牌**

如果模型是受限访问的（例如 Llama、Gemma），请在此粘贴你的 Hugging Face 访问令牌。令牌会实时验证，若无效会在行内显示错误。

### 2. 数据集

{% columns %}
{% column %}
在两个标签页之间切换，选择你的数据来源：

* **HuggingFace Hub** - 对 Hub 的实时搜索。每个结果都会显示最后更新日期。
* **本地** - 拖放或点击上传文件，包括非结构化或结构化文件，例如： `PDF`, `DOCX`, `JSONL`, `JSON`, `CSV`，或 `Parquet` 格式。之前上传的数据集会出现在列表中，并自动刷新。

你可以在这里查看我们详细的 [数据集指南](https://unsloth.ai/docs/zh/kai-shi-shi-yong/fine-tuning-llms-guide/datasets-guide).

提示工作室如何解释并格式化你的数据：
{% endcolumn %}

{% column %}

<div data-with-frame="true"><figure><img src="https://2657992854-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2FCtWUm7GdHnKbe14fUQyT%2Fupdated_dataset.webp?alt=media&#x26;token=3fcefe8d-b6a4-44c2-be9b-6dc282166095" alt=""><figcaption></figcaption></figure></div>
{% endcolumn %}
{% endcolumns %}

| 格式         | 何时使用                 |
| ---------- | -------------------- |
| `自动`       | 让 Unsloth 自动检测格式     |
| `alpaca`   | `指令` / `输入` / `输出` 列 |
| `chatml`   | OpenAI 风格 `消息` 数组    |
| `sharegpt` | ShareGPT 风格对话        |

**拆分与切片**

* **子集** - 自动从数据集卡中填充。
* **训练拆分 / 验证拆分** - 选择要使用的拆分。设置验证拆分会在训练期间启用 **验证损失** 图表。
* **数据集切片** - 可选地将训练限制在某个行范围（起始索引 / 结束索引）内，用于快速实验。

**列映射**

如果 Studio 无法自动将你的数据集列映射到正确的角色， **数据集预览对话框** 会打开。它会显示示例行，并允许你将每一列分配给 `指令`, `输入`, `输出`, `图像`等。建议的映射会尽可能预先填入。

### 3. 超参数

参数按可折叠区域分组。你可以查看我们详细的 [LoRA 超参数指南](https://unsloth.ai/docs/zh/kai-shi-shi-yong/fine-tuning-llms-guide/lora-hyperparameters-guide) 这里：

{% content-ref url="../../kai-shi-shi-yong/fine-tuning-llms-guide/lora-hyperparameters-guide" %}
[lora-hyperparameters-guide](https://unsloth.ai/docs/zh/kai-shi-shi-yong/fine-tuning-llms-guide/lora-hyperparameters-guide)
{% endcontent-ref %}

| 参数        | 默认值    | 备注                |
| --------- | ------ | ----------------- |
| **最大步数**  | `0`    | `0` 表示改用轮数（Epoch） |
| **上下文长度** | `2048` | 选项：512 → 32768    |
| **学习率**   | `2e-4` |                   |

**LoRA 设置**

*（选择全参数微调时隐藏）*

| 参数          | 默认值    | 备注                                                                          |
| ----------- | ------ | --------------------------------------------------------------------------- |
| **秩**       | `16`   | 滑块 4–128                                                                    |
| **Alpha**   | `32`   | 滑块 4–256                                                                    |
| **Dropout** | `0.05` |                                                                             |
| **LoRA 变体** | `LoRA` | `LoRA` / `RS-LoRA` / `LoftQ`                                                |
| **目标模块**    | 全部开启   | `q_proj`, `k_proj`, `v_proj`, `o_proj`, `gate_proj`, `up_proj`, `down_proj` |

对于 **视觉** 带有图像数据集的模型，会出现四个额外复选框。微调：

| 视觉层 | 语言层 | 注意力模块 | MLP 模块 |
| --- | --- | ----- | ------ |

**训练超参数**

分为三个标签页：

{% tabs %}
{% tab title="优化" %}

| 参数   | 默认值         |
| ---- | ----------- |
| 轮数   | 3           |
| 批量大小 | 4           |
| 梯度累积 | 8           |
| 权重衰减 | 0.01        |
| 优化器  | AdamW 8-bit |

{% endtab %}

{% tab title="调度" %}

| 参数           | 默认值     |
| ------------ | ------- |
| 学习率调度器       | 线性      |
| 预热步数         | 5       |
| 梯度检查点        | unsloth |
| 随机种子         | 3407    |
| 保存步数         | 0       |
| 验证步数         | 0       |
| 打包           | false   |
| 在补全上训练       | false   |
| {% endtab %} |         |

{% tab title="日志记录" %}

| 参数             | 默认值            |
| -------------- | -------------- |
| 启用 W\&B        | false          |
| W\&B 项目        | llm-finetuning |
| 启用 TensorBoard | false          |
| TensorBoard 目录 | runs           |
| 日志频率           | 10             |
| {% endtab %}   |                |
| {% endtabs %}  |                |

{% hint style="info" %}
[**Unsloth 梯度检查点**](https://unsloth.ai/docs/zh/bo-ke/500k-context-length-fine-tuning#unsloth-gradient-checkpointing-enhancements)**: `unsloth`** 使用 Unsloth 自定义的内存高效实现，与标准 PyTorch 选项相比可显著减少显存使用。这是推荐的默认值。
{% endhint %}

### 4. 训练与配置

右下角卡片有三个配置管理按钮和 **开始训练** 按钮。

| 按钮     | 操作                   |
| ------ | -------------------- |
| **上传** | 加载之前保存的 `.yaml` 配置文件 |
| **保存** | 将当前配置导出为 YAML        |
| **重置** | 将所有参数恢复为模型默认值        |

在模型和数据集都配置好之前，“开始训练”按钮会一直处于禁用状态。验证错误会以内联方式显示——例如，在未选择验证拆分时设置验证步数，或将仅文本模型与视觉数据集配对。

#### 加载界面

{% columns %}
{% column %}
在你点击 **开始训练**后，当后端准备一切时，会出现全屏遮罩层。

<div data-with-frame="true"><figure><img src="https://2657992854-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2FYtsUxHI0szGw8ZPxCHep%2Fimage.png?alt=media&#x26;token=1701f4af-ef35-48da-80e7-4aba4e80f4d4" alt="" width="375"><figcaption></figcaption></figure></div>
{% endcolumn %}

{% column %}
遮罩层会显示带实时阶段更新的动画终端：

* 蓝色：正在下载模型 / 数据集
* 琥珀色：正在加载模型 / 数据集
* 蓝色：正在配置
* 绿色：正在训练

你可以随时使用角落中的 **×** 按钮取消。在任何内容被停止之前都会出现确认对话框。
{% endcolumn %}
{% endcolumns %}

### 训练进度与可观测性

当第一步训练开始后，遮罩层会消失并显示实时训练视图。当进度条达到 100% 时，微调过程完成。你可以查看已用时间和 token 数。&#x20;

<div data-with-frame="true"><figure><img src="https://2657992854-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2Fah3G1rYgRaDNY8Ay6Uw7%2Fimage.png?alt=media&#x26;token=0528c15e-7a4b-4028-8070-95dc0871da5d" alt="" width="563"><figcaption></figcaption></figure></div>

{% columns %}
{% column %}

#### 状态面板

左侧列显示：

* **轮次** - 当前分数轮次（例如 `Epoch 1.23`)
* **进度条** - 基于步数，并显示百分比
* **关键指标**:
  * **损失** - 训练损失，精确到小数点后 4 位
  * **LR** - 当前学习率，使用科学计数法
  * **Grad Norm** - 梯度范数
  * **模型** - 正在训练的模型
  * **方法** - `QLoRA` / `LoRA` / `完整`
* **时间行** - 已用时间、预计剩余时间（ETA）、每秒步数和已处理的总 token 数
  {% endcolumn %}

{% column %}

#### GPU 监控

右侧列每隔几秒显示一次实时 GPU 状态：

* **利用率** - 百分比条
* **温度** - °C 条
* **显存** - 已用 / 总计 GB
* **功耗** - 功耗 / 上限，单位瓦特

#### 停止训练

使用 **停止训练** 按钮，位于进度卡片右上角。对话框会给你两个选项：

* **停止并保存** - 在停止前保存一个检查点
* **取消** - 立即停止，不保存检查点
  {% endcolumn %}
  {% endcolumns %}

{% columns %}
{% column %}

#### 图表

随着训练进行，有四个实时图表会更新：

1. **训练损失** - 原始值加上 EMA 平滑线和运行平均参考线
2. **学习率** - 学习率调度曲线
3. **梯度范数** - 随步数变化的梯度范数
4. **验证损失** - 仅在你配置了验证拆分时显示
   {% endcolumn %}

{% column %}

<div data-with-frame="true"><figure><img src="https://2657992854-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2FRgXfe3sobdQWxha8yslr%2Fimage.png?alt=media&#x26;token=b3aa9004-778b-4e3d-85b1-40a205ad0602" alt="" width="278"><figcaption></figcaption></figure></div>
{% endcolumn %}
{% endcolumns %}

{% columns %}
{% column %}
每个图表都有设置（齿轮图标），包括：

| 选项              | 默认值             |
| --------------- | --------------- |
| 查看窗口            | 最近 N 步滑块        |
| EMA 平滑          | `0.6`           |
| 显示原始值           | 开启              |
| 显示平滑值           | 开启              |
| 显示平均线           | 开启              |
| 缩放（按系列）         | 线性 / 对数         |
| 异常值裁剪           | 不裁剪 / p99 / p95 |
| {% endcolumn %} |                 |

{% column %}

<div data-with-frame="true"><figure><img src="https://2657992854-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2FFJtjQpAgOFaieyQCYhkq%2Fimage.png?alt=media&#x26;token=4da9cdc2-c088-4ab8-8d0d-40d8d392ee03" alt="" width="276"><figcaption></figcaption></figure></div>
{% endcolumn %}
{% endcolumns %}

#### 配置文件

{% columns %}
{% column %}
所有训练配置都可以保存并重新加载为 YAML 文件。文件会自动命名为：

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

{% endcolumn %}

{% column %}

<div data-with-frame="true"><figure><img src="https://2657992854-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2FuGAKdGkANbh2wIENA9X7%2Fimage.png?alt=media&#x26;token=9553db5b-5c88-4556-be49-fe61035edf11" alt="" width="178"><figcaption></figcaption></figure></div>
{% endcolumn %}
{% endcolumns %}

YAML 分为三个部分：

{% 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 %}

这使得重现实验、共享配置或对实验进行版本控制变得很容易。

## <i class="fa-hat-chef">:hat-chef:</i> 数据配方 - 快速开始

[Unsloth 数据配方](https://unsloth.ai/docs/zh/xin-zeng/studio/data-recipe) 可让你上传 PDF 或 CSV 等文档，并将其转换为可用的数据集。通过图节点工作流以可视化方式创建和编辑数据集。

配方页面是主要入口。配方会保存在浏览器本地，因此你之后可以回到已保存的工作。从这里，你可以创建一个空白配方或打开一个引导式学习配方。

<div data-with-frame="true"><figure><img src="https://2657992854-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2FQ6e19jESrJg0VjHnX58c%2Fdata%20recipes%20final.png?alt=media&#x26;token=8d74e453-815d-4790-83d1-76d0bc80a3ce" alt="" width="563"><figcaption></figcaption></figure></div>

数据配方遵循相同的基本流程。你打开配方页面，创建或选择一个配方，在编辑器中构建工作流，验证并运行预览，然后在输出看起来正确后运行完整数据集。添加种子数据和生成块，验证工作流，预览示例输出，然后运行完整数据集构建。Unsloth 数据配方由 NVIDIA 提供支持 [DataDesigner](https://github.com/NVIDIA-NeMo/DataDesigner).

从整体来看，一个常规工作流应如下所示：

1. 打开配方页面。
2. 创建一个新配方或打开一个现有配方。
3. 添加区块以定义你的数据集工作流。
4. 点击 **验证** 以尽早发现配置问题。
5. 运行预览以快速检查示例行。
6. 当配方准备好后，运行完整的数据集构建。
7. 在图中或在 **执行** 视图中实时查看进度和输出以获取更多详情。
8. 在 **工作室** 中选择生成的数据集并微调模型。

## <i class="fa-box-isometric">:box-isometric:</i> 导出 - 快速开始

使用 Unsloth Studio 的“导出”来导出、保存或转换模型为 GGUF、Safetensors 或 LoRA，以用于部署、共享，或在 Unsloth、llama.cpp、Ollama、vLLM 等中进行本地推理。导出已训练的检查点或转换任何现有模型。

<div data-with-frame="true"><figure><img src="https://2657992854-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2FrrFY8YczW3dDpfYi1k9f%2FScreenshot%202026-03-15%20at%209.28.19%E2%80%AFPM.png?alt=media&#x26;token=d2729e16-799f-48f0-8b07-0248b93fa599" alt="" width="563"><figcaption></figcaption></figure></div>

你可以在这里阅读我们关于使用 Unsloth Studio 导出模型的详细教程/指南：

{% content-ref url="export" %}
[export](https://unsloth.ai/docs/zh/xin-zeng/studio/export)
{% endcontent-ref %}

## <i class="fa-comment-dots">:comment-dots:</i> 聊天 - 快速开始

[Unsloth Studio 聊天](https://unsloth.ai/docs/zh/xin-zeng/studio/chat) 可让你在电脑上 100% 离线运行模型。可运行来自 Hugging Face 或本地文件的 GGUF 和 safetensors 等模型格式。

* **下载 + 运行** 任意模型，如 GGUF、微调适配器、safetensors 等。
* [**比较** 不同模型](#model-arena) 并排输出
* **上传** 在提示词中加入文档、图像和音频
* [**调节** 推理](#generation-settings) 设置，例如：temperature、top-p、top-k 和系统提示词

<div data-with-frame="true"><figure><img src="https://2657992854-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2FRCnTAZ6Uh88DIlU3g0Ij%2Fmainpage%20unsloth.png?alt=media&#x26;token=837c96b6-bd09-4e81-bc76-fa50421e9bfb" alt="" width="563"><figcaption></figcaption></figure></div>

你可以在这里阅读我们关于使用 Unsloth Studio 运行模型的详细教程/指南：

{% content-ref url="chat" %}
[chat](https://unsloth.ai/docs/zh/xin-zeng/studio/chat)
{% endcontent-ref %}

## <i class="fa-video">:video:</i> 视频教程

{% hint style="warning" %}
视频中展示的 Unsloth Studio 版本较旧，不代表当前版本。
{% endhint %}

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

以下是由 NVIDIA 制作、帮助你开始使用 Studio 的视频教程：
{% endcolumn %}

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

如何安装 Unsloth Studio 视频教程
{% endcolumn %}
{% endcolumns %}

## 高级设置

### CLI 命令

Unsloth CLI（`cli.py`）提供以下命令：

```
用法：cli.py [COMMAND]

命令：
  train             微调模型
  inference         对已训练模型进行推理
  export            导出已训练的适配器
  list-checkpoints  列出已保存的检查点
  ui                启动 Unsloth Studio 网页 UI
  studio            启动工作室（别名）
```

### 项目结构

{% code expandable="true" %}

```
new-ui-prototype/
├── cli.py                     # CLI 入口点
├── cli/                       # Typer CLI 命令
│   └── commands/
│       ├── train.py
│       ├── inference.py
│       ├── export.py
│       ├── ui.py
│       └── studio.py
├── setup.sh                   # 启动脚本（Linux / WSL / Colab）
├── setup.ps1                  # 启动脚本（Windows 原生）
├── setup.bat                  # 通过双击启动 setup.ps1 的包装器
├── install_python_stack.py    # 跨平台 Python 依赖安装器
└── studio/
    ├── backend/
    │   ├── main.py            # FastAPI 应用与中间件
    │   ├── run.py             # 服务器启动器（uvicorn）
    │   ├── auth/              # 身份验证存储与 JWT 逻辑
    │   ├── routes/            # API 路由处理器
    │   │   ├── training.py
    │   │   ├── models.py
    │   │   ├── inference.py
    │   │   ├── datasets.py
    │   │   └── auth.py
    │   ├── models/            # Pydantic 请求/响应模式
    │   ├── core/              # 训练引擎与配置
    │   ├── utils/             # 硬件检测、辅助工具
    │   └── requirements.txt
    ├── frontend/
    │   ├── src/
    │   │   ├── features/      # 功能模块
    │   │   │   ├── auth/      # 登录 / 注册流程
    │   │   │   ├── training/  # 训练配置与监控
    │   │   │   ├── studio/    # 主工作区
    │   │   │   ├── chat/      # 推理聊天界面
    │   │   │   ├── export/    # 模型导出流程
    │   │   │   └── onboarding/# 入门向导
    │   │   ├── components/    # 共享 UI 组件（shadcn）
    │   │   ├── hooks/         # 自定义 React hooks
    │   │   ├── stores/        # Zustand 状态存储
    │   │   └── types/         # TypeScript 类型定义
    │   ├── package.json
    │   └── vite.config.ts
    └── tests/                 # 后端测试套件
```

{% endcode %}

### API 参考

所有端点都需要有效的 JWT `Authorization: Bearer <token>` 请求头（除 `/api/auth/*` 和 `/api/health`).

| 方法     | 端点                    | 描述                |
| ------ | --------------------- | ----------------- |
| `GET`  | `/api/health`         | 健康检查              |
| `GET`  | `/api/system`         | 系统信息（GPU、CPU、内存）  |
| `POST` | `/api/auth/signup`    | 创建账户（首次运行时需要设置令牌） |
| `POST` | `/api/auth/login`     | 登录并接收 JWT 令牌      |
| `POST` | `/api/auth/refresh`   | 刷新已过期的访问令牌        |
| `GET`  | `/api/auth/status`    | 检查身份验证是否已初始化      |
| `POST` | `/api/train/start`    | 开始训练任务            |
| `POST` | `/api/train/stop`     | 停止正在运行的训练任务       |
| `POST` | `/api/train/reset`    | 重置训练状态            |
| `GET`  | `/api/train/status`   | 获取当前训练状态          |
| `GET`  | `/api/train/metrics`  | 获取训练指标（损失、学习率、步数） |
| `GET`  | `/api/train/stream`   | 实时训练进度的 SSE 流     |
| `GET`  | `/api/models/`        | 列出可用模型            |
| `POST` | `/api/inference/chat` | 发送聊天消息进行推理        |
| `GET`  | `/api/datasets/`      | 列出/管理数据集          |


---

# 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/zh/xin-zeng/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.