O que é o Unsloth?
O Unsloth é uma ferramenta para fazer fine-tuning e rodar modelos de IA em hardware que você controla, em vez de por meio de uma API de treinamento na nuvem. Seu próprio README no GitHub começa chamando-o de "o primeiro app de desktop para rodar e treinar modelos", o que reflete uma mudança real: o projeto começou em 2023 como uma biblioteca de Python para acelerar o fine-tuning de LLMs, e desde então cresceu até se tornar um produto de três partes que cobre um app de desktop nativo, uma interface web auto-hospedada e a biblioteca original por trás de ambos.
- Função principal: fazer fine-tuning de um modelo base com seus próprios dados (texto, imagem, áudio ou dados de embeddings) usando técnicas como LoRA e QLoRA, e então rodar ou exportar o resultado
- Não é só texto: segundo a lista de recursos do README, o Unsloth suporta explicitamente modelos de difusão (imagem e vídeo), modelos de texto para voz e modelos de embeddings, além de LLMs
- Três produtos sob um mesmo projeto: Unsloth Desktop (app nativo), Unsloth Studio (interface web, auto-hospedada ou via Docker) e Unsloth Core (o pacote de Python
unsloth) - Desenvolvedor: Unsloth AI, listada como uma organização sediada nos EUA em seu perfil no GitHub, com a descrição "Run and train AI models locally"
- Repositório canônico: github.com/unslothai/unsloth, criado em novembro de 2023 segundo os próprios metadados do repositório no GitHub
Histórico de lançamentos do Unsloth
O Unsloth não publica um único changelog com datas como fazem alguns apps de desktop, então o histórico verificável abaixo vem de duas fontes oficiais: os próprios metadados do repositório no GitHub, e o histórico de versões do pacote unsloth no Python Package Index (PyPI).
- O repositório no GitHub foi criado em 29 de novembro de 2023, segundo os metadados do repositório no GitHub
- O primeiro lançamento do pacote
unslothno PyPI foi enviado em 4 de agosto de 2024 (versão 2024.8), segundo o histórico de lançamentos oficial do PyPI - No momento desta análise, o PyPI lista 241 lançamentos no total do pacote
unsloth, sendo o mais recente (versão 2026.9.4) enviado em 9 de setembro de 2026 — um ritmo de lançamento de aproximadamente um a cada poucos dias ao longo da vida do pacote - O escopo do projeto se expandiu substancialmente nesse período: ele começou como uma biblioteca de aceleração de fine-tuning de LLMs de texto e, segundo seu README atual, agora também cobre modelos de difusão, texto para voz e embeddings, além de um app de desktop nativo e uma interface web auto-hospedada que não existiam na forma original do projeto, apenas como biblioteca
O que você pode fazer com o Unsloth?
O conjunto de recursos do Unsloth abrange o treinamento (fazer fine-tuning de um modelo com seus dados) e a execução (usar um modelo treinado ou baixado), em quatro tipos de modelo. Veja o que cada parte realmente faz, segundo o próprio README no GitHub do Unsloth.
- Fine-tuning em quatro tipos de modelo — LLMs, modelos de difusão (imagem/vídeo), modelos de texto para voz e modelos de embeddings, usando LoRA, QLoRA, fine-tuning completo ou pré-treinamento
- Aprendizado por reforço — GRPO e DPO são ambos suportados para fine-tuning baseado em RL, além dos métodos de fine-tuning supervisionado mais comuns
- Rodar e servir modelos — além do treinamento, o Unsloth pode rodar modelos GGUF, MLX e de difusão diretamente, e expô-los por meio de um servidor de API local compatível com OpenAI
- Integração com agentes — o comando
unsloth startconecta um modelo local a agentes de codificação, incluindo Claude Code, OpenAI Codex e outros (segundo a própria lista do README), com um único comando - Acesso remoto e em rede local — o Unsloth Studio pode ser exposto na sua rede doméstica ou, por meio de um túnel Cloudflare, acessado com segurança de fora da sua rede, inclusive de um celular
- Construção de datasets — um recurso chamado "Data Recipes" constrói datasets de treinamento diretamente a partir de PDFs, CSVs e arquivos DOCX, em vez de exigir um dataset já formatado
- Exportação e implantação — modelos treinados podem ser exportados para GGUF, NVFP4, FP8 e outros formatos para uso em outras ferramentas de IA local
- Notebooks de treinamento gratuitos — o Unsloth publica notebooks gratuitos do Google Colab cobrindo modelos e técnicas específicas (Llama, Qwen, gpt-oss, GRPO, TTS, embeddings e fine-tuning de visão)
Exemplos de uso: três formas de usar o Unsloth
Estes são fluxos de trabalho concretos construídos a partir dos recursos documentados do Unsloth acima — não casos de uso hipotéticos.
Fazer fine-tuning de um LLM pequeno em um notebook gratuito do Colab
Abra um dos notebooks gratuitos do Unsloth (por exemplo, o notebook do Llama 3.1 8B com Alpaca), adicione seu próprio dataset no formato que o notebook espera, e rode-o no nível gratuito de GPU do Google Colab. Essa é a forma com menos atrito de experimentar o fine-tuning sem instalar nada localmente ou ter uma GPU própria.
Fazer fine-tuning localmente com o app Unsloth Desktop
Baixe o Unsloth Desktop para o seu sistema operacional, aponte-o para um modelo base e seu próprio dataset por meio da interface, e rode o trabalho de fine-tuning na sua própria GPU. Isso evita a configuração do ambiente Python que o Unsloth Core exige, ao custo do controle refinado que um script oferece.
Servir um modelo treinado localmente para um agente de codificação
Depois de fazer fine-tuning ou baixar um modelo, rode unsloth start claude --model <seu-modelo> para conectá-lo ao Claude Code por meio da API local do Unsloth, permitindo que você use seu próprio modelo treinado ou escolhido como backend de um fluxo de trabalho de agente, em vez de um modelo na nuvem.
Instalar o Unsloth: Desktop, Studio e Core
O Unsloth está disponível de três formas, segundo o próprio README no GitHub — o app Desktop é o que o próprio projeto recomenda para a maioria das pessoas. Os links abaixo são URLs diretas de releases do GitHub e scripts de instalação oficiais; sempre verifique diretamente no README, já que as URLs de release podem mudar entre versões.
Método de instalação | Comando ou link |
|---|---|
| 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 e depois unsloth studio |
| Unsloth Studio — Windows | irm https://unsloth.ai/install.ps1 | iex e depois unsloth studio |
| Unsloth Studio — Docker | docker run -d --gpus all --ipc=host -p 8000:8000 unsloth/unsloth — veja o Docker Hub para as tags |
| Unsloth Core — Linux/WSL (pip via uv) | uv pip install unsloth --torch-backend=auto |
Usuários de GPU AMD e Intel precisam de passos de configuração extras além da instalação padrão — veja o guia de AMD e o guia de Intel do próprio Unsloth. Uma tag dedicada no Docker Hub, unsloth/unsloth:core, instala o Unsloth Core (notebooks Jupyter) sem a interface web Studio — veja o Docker Hub para a lista de tags atual.
Preço do Unsloth: ele é realmente gratuito?
Até onde esta análise conseguiu verificar, sim — o Unsloth não tem nenhum plano pago. O repositório no GitHub informa um modelo de licenciamento duplo (pacote principal sob Apache-2.0, componentes opcionais como a interface do Unsloth Studio sob AGPL-3.0), e o README do projeto não vincula nenhuma página de preços nem descreve nenhum recurso pago. A PromptQuorum não conseguiu carregar o unsloth.ai diretamente durante esta análise (o site retornou uma resposta de acesso negado para solicitações automatizadas) — se uma decisão específica de preço for importante para você, confira o site ao vivo você mesmo, em vez de confiar apenas nesta análise.
- Nenhuma assinatura ou plano pago documentado no repositório no GitHub ou no seu README
- Nenhuma conta ou cadastro necessário para baixar o Unsloth Desktop ou instalar o Unsloth Core
- Notebooks gratuitos do Google Colab são oferecidos para treinar sem ter uma GPU própria, sujeitos aos próprios limites do nível gratuito de GPU do Colab (definidos pelo Google, não pelo Unsloth)
- As licenças Apache-2.0 e AGPL-3.0 se aplicam ao código-fonte; nenhuma delas garante, por si só, que todo serviço associado (por exemplo, uma futura oferta hospedada) sempre será gratuito — verifique os termos atuais diretamente em unsloth.ai
Unsloth vs. Axolotl vs. MLX-LM
Unsloth, Axolotl e MLX-LM são as três ferramentas de fine-tuning local que a própria comparação de frameworks de fine-tuning da PromptQuorum cobre em profundidade — esta seção resume a principal diferença para quem chega a partir desta análise especificamente.
Aspecto | Unsloth | Axolotl | |
|---|---|---|---|
| Licença | Núcleo: Apache-2.0 / Studio UI: AGPL-3.0 | Apache-2.0 | MIT |
| Interface | App de desktop, interface web ou biblioteca de Python | Baseado em configuração YAML, sem app de desktop | Biblioteca de Python / CLI, sem app de desktop |
| Tipos de modelo | LLM, difusão, TTS, embeddings | Focado em LLM | Focado em LLM |
| Hardware | NVIDIA, AMD, Intel, CPU, Vulkan | Stack CUDA focado em NVIDIA | Somente Apple Silicon |
| Treinamento multi-node | Não documentado no README | Sim — Torchrun e Ray | Via mx.distributed |
| Melhor para | A opção de máquina única mais ampla, incluindo modelos não textuais | Escalar além de uma máquina | Trabalho enxuto e nativo da Apple em um Mac |
Se o seu treinamento precisa de mais de uma máquina, ou você precisa especificamente da cobertura mais ampla possível de métodos DPO/ORPO/KTO/GRPO/reward-modelling, veja a comparação completa para entender por que o Axolotl é a melhor opção nesse caso. Veja a análise dedicada do MLX-LM se você trabalha exclusivamente em Apple Silicon e quer a opção nativa mais enxuta em vez do app de desktop mais amplo (mas mais pesado) do Unsloth.
Quem deveria usar o Unsloth?
O Unsloth ser ou não a escolha certa depende de você querer uma única ferramenta gratuita que cubra tanto o treinamento quanto a execução de modelos de texto, imagem e áudio, em vez de uma ferramenta mais restrita e de propósito único.
Use o Unsloth se
- Você quer fazer fine-tuning de um LLM, um modelo de difusão (imagem/vídeo), um modelo de TTS ou um modelo de embeddings, e prefere não aprender quatro ferramentas diferentes
- Você quer uma opção de app de desktop de apontar e clicar, mas pode querer mais adiante o controle mais refinado da biblioteca de Python para o mesmo projeto
- Você tem uma GPU (incluindo AMD ou Intel, não só NVIDIA) e quer evitar as taxas de fine-tuning na nuvem cobradas por token
- Você quer conectar um modelo treinado ou baixado diretamente a um agente de codificação como o Claude Code ou o Codex
- Você quer que a ferramenta em si seja de código aberto (núcleo sob Apache-2.0, interface Studio opcional sob AGPL-3.0) em vez de um binário de código fechado
Espere, ou procure outra opção, se
- Seu trabalho de treinamento precisa de mais de uma máquina — o README do Unsloth não documenta treinamento multi-node como o do Axolotl documenta
- Você precisa da maior superfície possível de métodos de alinhamento (DPO, ORPO, KTO, GRPO, reward modelling, todos ao mesmo tempo) — o Axolotl documenta uma lista de métodos mais ampla
- Você trabalha exclusivamente em Apple Silicon e quer a ferramenta nativa mais enxuta possível em vez de um app multi-backend mais amplo — vale a pena comparar diretamente com o MLX-LM
- Uma decisão de preço ou licenciamento depende especificamente do site ao vivo unsloth.ai — esta análise não conseguiu carregar esse site diretamente e se baseou nos metadados do GitHub/PyPI em vez disso
Unsloth em comparação com outras ferramentas de fine-tuning
O Unsloth é uma entre várias ferramentas para fazer fine-tuning de modelos no seu próprio hardware. Veja como ele se posiciona em relação a outras opções nesse espaço — consulte o Diretório de Software de LLM Local para o catálogo completo, e a comparação dedicada Unsloth vs. Axolotl vs. MLX-LM acima para o confronto mais direto.
- Axolotl — um framework de fine-tuning com licença Apache-2.0 cujo ponto forte documentado é o treinamento multi-node e a maior superfície de métodos de alinhamento entre os três; veja a seção de comparação dedicada acima e a comparação completa de frameworks de fine-tuning da PromptQuorum.
- MLX-LM — a biblioteca própria da Apple, com licença MIT e nativa de Apple Silicon, para rodar e fazer fine-tuning de LLMs; veja a análise do MLX-LM para um olhar dedicado.
- Together.ai e Fireworks.ai — APIs de fine-tuning na nuvem que cobram por token de treinamento em vez de exigir que você tenha uma GPU própria; a comparação de frameworks de fine-tuning da PromptQuorum cobre diretamente o preço do Together.ai.
- Ollama e LM Studio — ferramentas de inferência local para *rodar* modelos em vez de treiná-los; um padrão comum é fazer fine-tuning com o Unsloth, exportar para GGUF, e depois rodar o resultado no Ollama ou no LM Studio. Veja a análise do Ollama e a análise do LM Studio.
Erros comuns ao avaliar o Unsloth
A maior parte da confusão em torno do Unsloth vem de um modelo mental desatualizado que o vê como uma biblioteca de Python só para texto, ou de presumir que suas próprias alegações de velocidade/VRAM são verificadas de forma independente.
Erro 1: presumir que o Unsloth só faz fine-tuning de LLMs de texto
O Unsloth começou como uma biblioteca de fine-tuning de LLMs, mas seu README atual no GitHub lista explicitamente modelos de difusão (imagem/vídeo), texto para voz e embeddings como suportados tanto para treinamento quanto para execução — o mesmo conjunto de recursos que antes se aplicava só a texto agora se aplica de forma mais ampla.
Erro 2: presumir que o Unsloth exige escrever código Python
Isso era verdade para a biblioteca original Unsloth Core. No momento desta análise, o Unsloth Desktop é um app nativo de apontar e clicar para Windows, macOS e Linux que o próprio projeto recomenda como a forma padrão de instalar o Unsloth — sem necessidade de código.
Erro 3: tratar "2x mais rápido, 70% menos VRAM" como um número verificado de forma independente
Esses números vêm das próprias alegações de benchmark do Unsloth no seu README e blog, não de testes próprios da PromptQuorum nem de um benchmark de terceiros que esta análise pudesse verificar. A aceleração real e a economia de VRAM dependem do modelo, método e hardware específicos usados.
Erro 4: confundir o Unsloth Studio com um serviço hospedado na nuvem
O Unsloth Studio é uma interface web auto-hospedada — você mesmo a executa (localmente, no seu próprio servidor, ou via Docker) em vez de se cadastrar em um serviço que a Unsloth AI opera para você. Seu recurso opcional de túnel Cloudflare permite acessar a sua própria instância auto-hospedada remotamente; isso não significa que o Unsloth esteja hospedando seus modelos.
Perguntas frequentes
O que é o Unsloth?
O Unsloth (unsloth.ai, código-fonte em github.com/unslothai/unsloth) é uma ferramenta gratuita e de código aberto (núcleo sob Apache-2.0, interface Studio opcional sob AGPL-3.0) para fazer fine-tuning e rodar LLMs, modelos de difusão (imagem/vídeo), texto para voz e embeddings no seu próprio hardware, disponível como app de desktop, interface web auto-hospedada ou biblioteca de Python.
O Unsloth é gratuito?
Até onde esta análise conseguiu verificar a partir dos metadados do repositório no GitHub e do README do projeto, sim — não há nenhum plano pago documentado. A PromptQuorum não conseguiu carregar o unsloth.ai diretamente durante esta análise (o site bloqueou a solicitação automatizada), então verifique o preço atual no site ao vivo se uma decisão depender disso.
O Unsloth consegue fazer fine-tuning de imagens, não só de texto?
Sim. O próprio README no GitHub do Unsloth lista modelos de difusão (imagem e vídeo) junto com LLMs, modelos de texto para voz e modelos de embeddings como suportados tanto para treinamento quanto para inferência.
Qual licença o Unsloth usa?
Um modelo de licenciamento duplo: o pacote principal do Unsloth usa Apache-2.0, enquanto componentes opcionais como a interface do Unsloth Studio usam AGPL-3.0, conforme a seção de licença do README do projeto. Leia o texto da licença antes de redistribuir ou hospedar qualquer uma das partes.
Eu preciso saber Python para usar o Unsloth?
Não necessariamente. O Unsloth Desktop é um app nativo de apontar e clicar para Windows, macOS e Linux. O Unsloth Core, a biblioteca de Python original, continua disponível para desenvolvedores que queiram controle em nível de script.
Que hardware o Unsloth suporta?
Segundo seu README no GitHub: configurações Multi-GPU, GPUs NVIDIA, AMD e Intel, operação somente com CPU via um backend Vulkan, em Windows, Linux, WSL e macOS.
O Unsloth Studio é a mesma coisa que o Unsloth Desktop?
Não. O Unsloth Desktop é um app instalado nativo. O Unsloth Studio é uma interface web auto-hospedada que você executa por meio de um script de instalação ou Docker e acessa por um navegador — ambos rodam sobre o mesmo motor Unsloth Core.
O Unsloth pode se conectar ao Claude Code ou a outros agentes de codificação?
Sim, por meio do comando unsloth start, que conecta um modelo local a agentes como o Claude Code, o OpenAI Codex e outros por meio da API do Unsloth compatível com OpenAI/Anthropic, segundo o README do projeto.
Como o Unsloth se compara ao Axolotl?
O Unsloth cobre mais tipos de modelo (LLM, difusão, TTS, embeddings) e mais backends de hardware (incluindo AMD e Intel), enquanto o Axolotl documenta treinamento multi-node e uma superfície de métodos de alinhamento mais ampla. Veja a seção de comparação dedicada acima e a comparação completa de frameworks de fine-tuning da PromptQuorum.
Quem desenvolve o Unsloth?
A Unsloth AI, listada como uma organização sediada nos EUA em seu perfil no GitHub. O repositório no GitHub foi criado em novembro de 2023.