Qu'est-ce qu'Unsloth ?
Unsloth est un outil pour le fine-tuning et l'exécution de modèles d'IA sur du matériel que vous contrôlez, plutôt que via une API d'entraînement cloud. Son propre README GitHub le présente comme « la première application desktop pour exécuter et entraîner des modèles », ce qui reflète une évolution réelle : le projet a démarré en 2023 comme une bibliothèque Python pour accélérer le fine-tuning de LLM, et est depuis devenu un produit en trois parties couvrant une application desktop native, une interface web auto-hébergée, et la bibliothèque d'origine en dessous des deux.
- Fonction principale : fine-tuner un modèle de base sur vos propres données (texte, image, audio ou données d'embedding) via des techniques comme LoRA et QLoRA, puis exécuter ou exporter le résultat
- Pas seulement du texte : selon la liste de fonctionnalités du README, Unsloth prend explicitement en charge les modèles de diffusion (image et vidéo), de synthèse vocale et d'embedding, en plus des LLM
- Trois produits sous un même projet : Unsloth Desktop (application native), Unsloth Studio (interface web, auto-hébergée ou via Docker) et Unsloth Core (le paquet Python
unsloth) - Développeur : Unsloth AI, une organisation basée aux États-Unis selon son profil GitHub, avec la description « Run and train AI models locally »
- Dépôt canonique : github.com/unslothai/unsloth, créé en novembre 2023 selon les métadonnées propres de GitHub
Historique des versions d'Unsloth
Unsloth ne publie pas un journal des modifications daté unique comme certaines applications desktop, donc l'historique vérifiable ci-dessous provient de deux sources officielles : les métadonnées propres du dépôt GitHub, et l'historique des versions du paquet unsloth sur le Python Package Index (PyPI).
- Le dépôt GitHub a été créé le 29 novembre 2023, selon les métadonnées propres du dépôt GitHub
- La première version du paquet
unslothsur PyPI a été mise en ligne le 4 août 2024 (version 2024.8), selon l'historique officiel des versions de PyPI - Au moment de ce test, PyPI recense 241 versions au total du paquet
unsloth, la plus récente (version 2026.9.4) mise en ligne le 9 septembre 2026 — un rythme de publication d'environ une fois tous les quelques jours sur la durée de vie du paquet - La portée du projet s'est considérablement élargie sur cette période : il a débuté comme une bibliothèque d'accélération du fine-tuning de LLM textuels et, selon son README actuel, couvre désormais aussi les modèles de diffusion, de synthèse vocale et d'embedding, plus une application desktop native et une interface web auto-hébergée qui n'existaient pas dans la forme initiale, purement bibliothèque, du projet
Que pouvez-vous faire avec Unsloth ?
L'éventail de fonctionnalités d'Unsloth couvre l'entraînement (fine-tuner un modèle sur vos données) et l'exécution (utiliser un modèle entraîné ou téléchargé), sur quatre types de modèles. Voici ce que fait réellement chaque partie, selon le propre README GitHub d'Unsloth.
- Fine-tuning sur quatre types de modèles — LLM, modèles de diffusion (image/vidéo), modèles de synthèse vocale et modèles d'embedding, via LoRA, QLoRA, le fine-tuning complet ou le pretraining
- Reinforcement learning — GRPO et DPO sont tous deux pris en charge pour le fine-tuning basé sur le RL, en plus des méthodes de fine-tuning supervisé plus courantes
- Exécuter et servir des modèles — au-delà de l'entraînement, Unsloth peut exécuter directement des modèles GGUF, MLX et de diffusion, et les exposer via un serveur API local compatible OpenAI
- Intégration avec des agents — la commande
unsloth startconnecte un modèle local à des agents de code, dont Claude Code, OpenAI Codex et d'autres (selon la propre liste du README), en une seule commande - Accès distant et LAN — Unsloth Studio peut être exposé sur votre réseau domestique ou, via un tunnel Cloudflare, accessible de manière sécurisée depuis l'extérieur de votre réseau, y compris depuis un téléphone
- Construction de jeux de données — une fonctionnalité « Data Recipes » construit des jeux de données d'entraînement directement à partir de fichiers PDF, CSV et DOCX, plutôt que d'exiger un jeu de données préformaté
- Export et déploiement — les modèles entraînés peuvent être exportés vers des formats comme GGUF, NVFP4 et FP8, pour une utilisation dans d'autres outils d'IA locale
- Notebooks d'entraînement gratuits — Unsloth publie des notebooks Google Colab gratuits couvrant des modèles et techniques spécifiques (Llama, Qwen, gpt-oss, GRPO, TTS, embeddings et fine-tuning de vision)
Exemples d'utilisation : trois façons d'utiliser Unsloth
Voici des workflows concrets construits à partir des fonctionnalités documentées d'Unsloth ci-dessus — pas des cas d'usage hypothétiques.
Fine-tuner un petit LLM sur un notebook Colab gratuit
Ouvrez l'un des notebooks gratuits d'Unsloth (par exemple le notebook Llama 3.1 8B Alpaca), ajoutez votre propre jeu de données au format attendu par le notebook, et exécutez-le sur le palier GPU gratuit de Google Colab. C'est la façon la moins contraignante d'essayer le fine-tuning sans rien installer localement ni posséder de GPU.
Fine-tuner localement avec l'application Unsloth Desktop
Téléchargez Unsloth Desktop pour votre système, pointez-le vers un modèle de base et votre propre jeu de données via son interface, et exécutez le job de fine-tuning sur votre propre GPU. Cela évite la configuration d'environnement Python qu'exige Unsloth Core, au prix du contrôle fin qu'offre un script.
Servir un modèle entraîné localement à un agent de code
Après avoir fine-tuné ou téléchargé un modèle, exécutez unsloth start claude --model <votre-modèle> pour le connecter à Claude Code via l'API locale d'Unsloth, vous permettant d'utiliser votre propre modèle fine-tuné ou choisi comme backend pour un workflow d'agent au lieu d'un modèle cloud.
Installer Unsloth : Desktop, Studio et Core
Unsloth est disponible de trois façons, selon son propre README GitHub — l'application Desktop est ce que le projet lui-même recommande pour la plupart des utilisateurs. Les liens ci-dessous sont des URL de version GitHub directes et des scripts d'installation officiels ; vérifiez-les toujours directement via le README, car les URL de version peuvent changer entre les versions.
Méthode d'installation | Commande ou lien |
|---|---|
| Unsloth Desktop — Windows | Unsloth-Desktop-Windows.exe |
| Unsloth Desktop — macOS | Unsloth-Desktop-MacOS.dmg |
| Unsloth Desktop — Linux (.deb) | Unsloth-Desktop-Ubuntu.deb |
| Unsloth Desktop — Linux (AppImage) | Unsloth-Desktop-Linux.AppImage |
| Unsloth Studio — macOS/Linux/WSL | curl -fsSL https://unsloth.ai/install.sh | sh puis unsloth studio |
| Unsloth Studio — Windows | irm https://unsloth.ai/install.ps1 | iex puis unsloth studio |
| Unsloth Studio — Docker | docker run -d --gpus all --ipc=host -p 8000:8000 unsloth/unsloth — tags sur Docker Hub |
| Unsloth Core — Linux/WSL (pip via uv) | uv pip install unsloth --torch-backend=auto |
Les utilisateurs de GPU AMD et Intel doivent suivre des étapes supplémentaires au-delà de l'installation par défaut — voir les propres guide AMD et guide Intel d'Unsloth. Un tag Docker Hub dédié, unsloth/unsloth:core, installe Unsloth Core (notebooks Jupyter) sans l'interface web Studio — voir Docker Hub pour la liste actuelle des tags.
Tarifs Unsloth : est-ce vraiment gratuit ?
Dans la mesure où ce test a pu le vérifier, oui — Unsloth n'a aucun palier payant. Le dépôt GitHub indique un modèle de double licence (paquet principal sous Apache-2.0, composants optionnels comme la Studio UI d'Unsloth sous AGPL-3.0), et le README du projet ne renvoie vers aucune page tarifaire et ne décrit aucune fonctionnalité payante. PromptQuorum n'a pas pu charger unsloth.ai directement pendant ce test (le site a renvoyé une réponse de refus d'accès aux requêtes automatisées) — si une décision tarifaire précise vous concerne, vérifiez le site en direct vous-même plutôt que de vous fier uniquement à ce test.
- Aucun abonnement ni palier payant documenté dans le dépôt GitHub ou son README
- Aucun compte ni inscription requis pour télécharger Unsloth Desktop ou installer Unsloth Core
- Des notebooks Google Colab gratuits sont fournis pour l'entraînement sans posséder de GPU, sous réserve des limites du palier GPU gratuit propre de Colab (fixées par Google, pas par Unsloth)
- Les licences Apache-2.0 et AGPL-3.0 s'appliquent au code source ; elles ne garantissent pas en soi que chaque service associé (par exemple une future offre hébergée) restera toujours gratuit — vérifiez les conditions actuelles directement sur unsloth.ai
Unsloth vs. Axolotl vs. MLX-LM
Unsloth, Axolotl et MLX-LM sont les trois outils de fine-tuning local que la comparaison des frameworks de fine-tuning de PromptQuorum couvre en détail — cette section résume la différence clé pour les lecteurs venant spécifiquement de ce test.
Aspect | Unsloth | Axolotl | |
|---|---|---|---|
| Licence | Cœur : Apache-2.0 / UI Studio : AGPL-3.0 | Apache-2.0 | MIT |
| Interface | App desktop, interface web ou bibliothèque Python | Piloté par configuration YAML, pas d'app desktop | Bibliothèque Python / CLI, pas d'app desktop |
| Types de modèles | LLM, diffusion, TTS, embedding | Centré sur les LLM | Centré sur les LLM |
| Matériel | NVIDIA, AMD, Intel, CPU, Vulkan | Pile CUDA centrée NVIDIA | Apple Silicon uniquement |
| Entraînement multi-nœuds | Non documenté dans le README | Oui — Torchrun et Ray | Via mx.distributed |
| Idéal pour | Option mono-machine la plus large, y compris hors texte | Passer à l'échelle au-delà d'une machine | Travail natif Apple léger sur un Mac |
Si votre entraînement nécessite plus d'une machine, ou si vous avez spécifiquement besoin de la couverture méthode la plus large possible (DPO/ORPO/KTO/GRPO/reward-modelling), la comparaison complète montre pourquoi Axolotl est le meilleur choix dans ce cas. Voir la revue MLX-LM dédiée si vous êtes exclusivement sur Apple Silicon et voulez l'option native la plus légère plutôt que l'application desktop plus large (mais plus lourde) d'Unsloth.
À qui Unsloth est-il destiné ?
Le fait qu'Unsloth vous convienne dépend de si vous voulez un seul outil gratuit couvrant à la fois l'entraînement et l'exécution de modèles texte, image et audio, plutôt qu'un outil plus étroit à usage unique.
Utilisez Unsloth si
- Vous voulez fine-tuner un LLM, un modèle de diffusion (image/vidéo), un modèle TTS ou un modèle d'embedding, et préférez ne pas apprendre quatre outils différents
- Vous voulez une option d'application desktop à utiliser d'un clic, mais pourriez vouloir plus tard le contrôle plus fin de la bibliothèque Python pour le même projet
- Vous possédez un GPU (y compris AMD ou Intel, pas seulement NVIDIA) et voulez éviter les frais de fine-tuning cloud au token
- Vous voulez connecter un modèle fine-tuné ou téléchargé directement à un agent de code comme Claude Code ou Codex
- Vous voulez que l'outil sous-jacent soit open source (cœur sous Apache-2.0, interface Studio optionnelle sous AGPL-3.0) plutôt qu'un binaire à source fermée
Attendez, ou regardez ailleurs, si
- Votre entraînement nécessite plus d'une machine — le README d'Unsloth ne documente pas l'entraînement multi-nœuds comme celui d'Axolotl
- Vous avez besoin de la couverture méthode d'alignement la plus large possible (DPO, ORPO, KTO, GRPO, reward-modelling à la fois) — Axolotl documente une liste de méthodes plus large
- Vous êtes exclusivement sur Apple Silicon et voulez l'outil natif le plus léger possible plutôt qu'une application multi-backend plus large — MLX-LM mérite une comparaison directe
- Une décision tarifaire ou de licence dépend spécifiquement du site en direct unsloth.ai — ce test n'a pas pu charger ce site directement et s'est appuyé sur les métadonnées GitHub/PyPI à la place
Unsloth face aux autres outils de fine-tuning
Unsloth est l'un de plusieurs outils pour le fine-tuning de modèles sur votre propre matériel. Voici comment il se positionne face aux autres options dans cet espace — voir le Local LLM Software Directory pour le catalogue complet, et la comparaison dédiée Unsloth vs. Axolotl vs. MLX-LM ci-dessus pour le face-à-face le plus proche.
- Axolotl — un framework de fine-tuning Apache-2.0 dont la force documentée est l'entraînement multi-nœuds et la couverture méthode d'alignement la plus large des trois ; voir la section de comparaison dédiée ci-dessus et la comparaison complète des frameworks de fine-tuning de PromptQuorum.
- MLX-LM — la propre bibliothèque d'Apple, sous licence MIT, native Apple Silicon, pour exécuter et fine-tuner des LLM ; voir la revue MLX-LM pour un regard dédié.
- Together.ai et Fireworks.ai — des API de fine-tuning cloud qui facturent au token d'entraînement au lieu d'exiger de posséder un GPU ; la comparaison des frameworks de fine-tuning de PromptQuorum couvre directement les tarifs de Together.ai.
- Ollama et LM Studio — des outils d'inférence locale pour *exécuter* des modèles plutôt que les entraîner ; un schéma courant consiste à fine-tuner avec Unsloth, exporter vers GGUF, puis exécuter le résultat dans Ollama ou LM Studio. Voir la revue Ollama et la revue LM Studio.
Erreurs courantes lors de l'évaluation d'Unsloth
La plupart des confusions sur Unsloth viennent d'une image mentale dépassée du projet comme simple bibliothèque Python textuelle, ou de l'hypothèse que ses propres affirmations de vitesse/VRAM sont vérifiées de manière indépendante.
Erreur 1 : supposer qu'Unsloth ne fine-tune que des LLM textuels
Unsloth a débuté comme une bibliothèque de fine-tuning de LLM, mais son README GitHub actuel liste explicitement les modèles de diffusion (image/vidéo), de synthèse vocale et d'embedding comme pris en charge pour l'entraînement et l'exécution — le même ensemble de fonctionnalités qui s'appliquait autrefois uniquement au texte s'applique désormais plus largement.
Erreur 2 : supposer qu'Unsloth exige de savoir coder en Python
C'était vrai pour la bibliothèque Unsloth Core d'origine. Au moment de ce test, Unsloth Desktop est une application native, à utiliser d'un clic, pour Windows, macOS et Linux, que le projet lui-même recommande comme méthode par défaut pour installer Unsloth — aucun code requis.
Erreur 3 : traiter « 2x plus rapide, 70 % de VRAM en moins » comme un chiffre vérifié de manière indépendante
Ces chiffres proviennent des propres affirmations de benchmark d'Unsloth dans son README et son blog, pas des propres tests de PromptQuorum ni d'un benchmark tiers que ce test a pu vérifier. L'accélération et les économies de VRAM réelles dépendent du modèle, de la méthode et du matériel spécifiques utilisés.
Erreur 4 : confondre Unsloth Studio avec un service cloud hébergé
Unsloth Studio est une interface web auto-hébergée — vous l'exécutez vous-même (localement, sur votre propre serveur, ou via Docker) plutôt que de vous inscrire à un service qu'Unsloth AI exploite pour vous. Sa fonctionnalité optionnelle de tunnel Cloudflare permet d'atteindre à distance votre propre instance auto-hébergée ; cela ne signifie pas qu'Unsloth héberge vos modèles.
Foire aux questions
Qu'est-ce qu'Unsloth ?
Unsloth (unsloth.ai, code source sur github.com/unslothai/unsloth) est un outil gratuit et open source (cœur sous Apache-2.0, interface Studio optionnelle sous AGPL-3.0) pour le fine-tuning et l'exécution de LLM, de modèles de diffusion (image/vidéo), de synthèse vocale et d'embedding sur votre propre matériel, disponible en application desktop, interface web auto-hébergée ou bibliothèque Python.
Unsloth est-il gratuit ?
Dans la mesure où ce test a pu le vérifier à partir des métadonnées du dépôt GitHub et du README du projet, oui — aucun palier payant n'est documenté. PromptQuorum n'a pas pu charger unsloth.ai directement pendant ce test (le site a bloqué la requête automatisée) — vérifiez les tarifs actuels sur le site en direct si une décision en dépend.
Unsloth peut-il fine-tuner des images, pas seulement du texte ?
Oui. Le propre README GitHub d'Unsloth liste les modèles de diffusion (image et vidéo) aux côtés des LLM, des modèles de synthèse vocale et des modèles d'embedding comme pris en charge pour l'entraînement et l'inférence.
Quelle licence utilise Unsloth ?
Un modèle de double licence : le paquet principal d'Unsloth est sous Apache-2.0, tandis que des composants optionnels comme la Studio UI d'Unsloth sont sous AGPL-3.0, selon la section licence du README du projet. Lisez le texte de la licence avant de redistribuer ou d'héberger l'une ou l'autre partie.
Dois-je connaître Python pour utiliser Unsloth ?
Pas nécessairement. Unsloth Desktop est une application native, à utiliser d'un clic, pour Windows, macOS et Linux. Unsloth Core, la bibliothèque Python d'origine, reste disponible pour les développeurs qui veulent le contrôle au niveau du script.
Quel matériel Unsloth prend-il en charge ?
Selon son README GitHub : configurations multi-GPU, GPU NVIDIA, AMD et Intel, fonctionnement CPU seul via un backend Vulkan, sous Windows, Linux, WSL et macOS.
Unsloth Studio est-il la même chose qu'Unsloth Desktop ?
Non. Unsloth Desktop est une application native installée. Unsloth Studio est une interface web auto-hébergée que vous exécutez via un script d'installation ou Docker et à laquelle vous accédez par navigateur — toutes deux reposent sur le même moteur Unsloth Core.
Unsloth peut-il se connecter à Claude Code ou à d'autres agents de code ?
Oui, via la commande unsloth start, qui connecte un modèle local à des agents dont Claude Code, OpenAI Codex et d'autres via l'API compatible OpenAI/Anthropic d'Unsloth, selon le README du projet.
Comment Unsloth se compare-t-il à Axolotl ?
Unsloth couvre davantage de types de modèles (LLM, diffusion, TTS, embedding) et davantage de backends matériels (dont AMD et Intel), tandis qu'Axolotl documente l'entraînement multi-nœuds et une couverture méthode d'alignement plus large. Voir la section de comparaison dédiée ci-dessus et la comparaison complète des frameworks de fine-tuning de PromptQuorum.
Qui développe Unsloth ?
Unsloth AI, une organisation basée aux États-Unis selon son profil GitHub. Le dépôt GitHub a été créé en novembre 2023.