Principais conclusões
- Gratuito e de código aberto; o repositório no GitHub informa uma licença Apache-2.0, e esta análise não encontrou nenhuma página de preços vinculada a partir do README
- Três formas de usá-lo: Unsloth Desktop (app nativo para Windows/macOS/Linux, recomendado pelo próprio projeto), Unsloth Studio (interface web auto-hospedada, também executável via Docker), e Unsloth Core (a biblioteca de Python original,
pip install unsloth) - Treina E roda LLMs, modelos de difusão (imagem/vídeo), modelos de texto para voz e modelos de embeddings — segundo a própria lista de recursos do projeto, isso vai além do fine-tuning apenas de texto
- Suporta LoRA, QLoRA, fine-tuning completo, pré-treinamento, aprendizado por reforço (GRPO, DPO) e métodos de treinamento FP8
- Suporte Multi-GPU em GPUs NVIDIA, AMD e Intel, além de operação somente com CPU via um backend Vulkan, em Windows, Linux, WSL e macOS
- Pode conectar modelos treinados ou baixados a agentes de codificação (Claude Code, Codex e outros) por meio de uma integração de um único comando
unsloth start, e expõe uma API compatível com OpenAI/Anthropic - Desenvolvido pela Unsloth AI, uma organização sediada nos EUA segundo seu perfil no GitHub; o repositório foi criado em novembro de 2023 e o pacote
unslothno PyPI lançou 241 versões desde o primeiro upload em agosto de 2024
📍 Em uma frase
O Unsloth é uma ferramenta gratuita e de código aberto (Apache-2.0) que treina e roda LLMs, modelos de difusão (imagem/vídeo), texto para voz (TTS) e embeddings no seu próprio hardware, disponível como app de desktop nativo, interface web auto-hospedada ou biblioteca de Python.
💬 Em termos simples
Se você quer ensinar seus próprios dados a um modelo de IA — texto, imagens ou voz — em vez de usar um modelo genérico pré-treinado, o Unsloth é a ferramenta que faz esse treinamento, no seu próprio computador ou GPU, de graça. Antes ele era uma biblioteca de Python só para desenvolvedores; agora também tem um app de desktop de apontar e clicar.
📌Nota: Esta análise é o complemento aprofundado da entrada do Unsloth no Diretório de Software de LLM Local — veja essa página para uma comparação rápida entre o Unsloth e dezenas de outras ferramentas de IA local.
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.
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 uma licença Apache-2.0 por meio da própria API do GitHub, que se aplica ao código-base como um todo, 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)
- A licença Apache-2.0 se aplica ao código-fonte; ela por si só não garante 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 | MLX-LM |
|---|---|---|---|
| Licença | Apache-2.0 | 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.
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.
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 (Apache-2.0) 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?
Apache-2.0, segundo os próprios metadados do repositório no GitHub (verificado por meio da API do GitHub para esta análise).
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.