🦥Docs Unsloth

Chez Unsloth, notre mission est de rendre l'IA aussi précise et accessible que possible. Entraînez et déployez DeepSeek, gpt-oss, Llama, TTS, Qwen, Gemma LLMs 2x plus vite avec 70 % de VRAM en moins.

Nos docs vous guideront pour exécuter et entraîner votre propre modèle localement.

Commencer Notre GitHub

Qwen3.5

Le nouveau modèle Qwen3.5 est disponible maintenant !

MoE plus rapide est là !

Entraînez des LLM MoE 12x plus rapidement avec moins de VRAM.

Claude Code & Codex

Apprenez à exécuter des LLM locaux via Claude & OpenAI.

Qwen3-Coder-Next

Exécutez et affinez le nouveau modèle de codage 80B.

GLM-5

Exécutez le nouveau modèle open SOTA.

MiniMax-2.5

Exécutez le puissant modèle 230B.

🦥 Pourquoi Unsloth ?

• Nous collaborons directement avec les équipes derrière gpt-oss, Qwen3, Llama 4, Mistral, Gemma 1–3 et Phi-4, où nous avons corrigé des bugs critiques qui ont grandement amélioré la précision du modèle.

• Unsloth simplifie l'entraînement local, l'évaluation et le déploiement avec Ollama, llama.cpp et vLLM.

• Unsloth prend en charge l'entraînement de plus de 500 modèles : vision, TTS, embedding, RL tout en restant personnalisable avec des modèles de chat flexibles, le formatage des jeux de données et des notebooks prêts à l'emploi.

⭐ Principales fonctionnalités

• Prend en charge le fine-tuning complet, le pré-entraînement, l'entraînement en 4 bits, 16 bits et 8 bits.

• Prend en charge tous types de modèles: TTS, embedding, multimodal, et plus.

• La plus efficace bibliothèque d'apprentissage par renforcement utilisant 80 % de VRAM en moins. Prend en charge GRPO, GSPO, etc.

• 0 % de perte de précision - pas de quantification ni de méthodes d'approximation - tout est exact.

• MultiGPU fonctionne déjà mais une bien meilleure version arrive !

Démarrage rapide

Unsloth prend en charge Linux, Windows, NVIDIA, AMD & Intel. Voir : Exigences Unsloth

Installez localement avec pip (recommandé) pour les appareils Linux ou WSL :

Nouveaux modèles

Kimi K2.5

GLM-4.7-Flash

DeepSeek OCR 2

Qu'est-ce que le fine-tuning et le RL ? Pourquoi ?

Fine-tuning un LLM personnalise son comportement, améliore les connaissances du domaine et optimise les performances pour des tâches spécifiques. En affinant un modèle pré-entraîné (par ex. Llama-3.1-8B) sur un jeu de données, vous pouvez :

• Mettre à jour les connaissances : Introduire de nouvelles informations spécifiques au domaine.

• Personnaliser le comportement : Ajuster le ton, la personnalité ou le style de réponse du modèle.

• Optimiser pour des tâches : Améliorer la précision et la pertinence pour des cas d'utilisation spécifiques.

L'apprentissage par renforcement (RL) est le processus où un « agent » apprend à prendre des décisions en interagissant avec un environnement et en recevant des retours sous la forme de récompenses ou pénalités.

• Action : Ce que le modèle génère (par ex. une phrase).

• Récompense : Un signal indiquant si l'action du modèle était bonne ou mauvaise (par ex. la réponse a-t-elle suivi les instructions ? était-elle utile ?).

• Environnement : Le scénario ou la tâche sur lequel le modèle travaille (par ex. répondre à la question d'un utilisateur).

Exemples d'utilisation du fine-tuning ou du RL:

• Permet aux LLM de prédire si un titre a un impact positif ou négatif sur une entreprise.

• Peut utiliser les interactions clients historiques pour des réponses plus précises et personnalisées.

• Affinez un LLM sur des textes juridiques pour l'analyse de contrats, la recherche de jurisprudence et la conformité.

Vous pouvez considérer un modèle affiné comme un agent spécialisé conçu pour effectuer des tâches spécifiques plus efficacement et plus précisément. Le fine-tuning peut reproduire toutes les capacités du RAG, mais pas l'inverse.