项目预览
项目数据
项目介绍
Star 增长趋势
本站每日记录该项目 GitHub 星标变化,观测越久曲线越完整
数据来源:GitHub API 逐日快照 · 收录于 2026-09-16 · 当前星标 ★ 5783
使用教程
⚠ 本教程由 AI 依据该项目 README 整理;原始文档不完整,部分步骤为通用流程推断,实际安装请以项目官方文档为准。
⚠ 该项目 README 未提供完整安装说明,以下步骤为通用流程,请以官方文档为准。
环境要求
- 可运行 Jupyter Notebook 的环境(本地 Jupyter 或 Google Colab)
- 用于模型微调训练的 GPU 环境
- 能访问 GitHub / Google Colab 的网络(用于拉取仓库与在线运行)
安装与启动步骤
-
1获取 Notebook 合集
从 GitHub 克隆 Unsloth 官方 notebooks 仓库到本地,README 中未给出额外安装脚本,克隆后即可看到按模型分类的 .ipynb 文件。
git clone https://github.com/unslothai/notebooks.git -
2挑选目标模型 Notebook
在仓库中按模型名找到对应的 Notebook,每个 Notebook 针对具体模型和任务写好了完整流程,无需自己拼装训练代码。
-
3线上快速运行(可选)
README 提供了 Colab 直达按钮,也可直接在浏览器打开对应 Notebook 链接,免去本地环境配置。
https://colab.research.google.com/github/unslothai/notebooks/blob/main/nb/gpt-oss-(20B)-Fine-tuning.ipynb -
4替换数据集路径
按 README 说明,Notebook 内已包含数据准备、训练与推理三步,用户通常只需把数据集路径改为自己的数据即可运行。
-
5依次执行单元格
在 Jupyter 或 Colab 中自上而下执行单元格,完成数据准备、模型训练与推理验证;报错时可对照官方文档排查。
如何确认成功
Notebook 单元格自上而下执行无报错,并能完成一次数据准备、训练与推理输出,即视为运行成功。
常见问题
Q:没有本地 GPU 怎么用?
A:可使用 README 中提供的 Colab 一键运行按钮,在浏览器里直接打开对应模型 Notebook 运行,无需本地环境。
Q:需要自己写微调代码吗?
A:不需要。每个 Notebook 都针对具体模型和任务写好完整流程,通常只需替换数据集路径即可运行。
Q:怎么知道有哪些模型可用?
A:README 中按模型分类列出了各 Notebook,也可通过官网文档 https://unsloth.ai/docs/get-started/unsloth-notebooks 查看全部 Notebook。
Q:遇到问题去哪里求助?
A:README 提供了 Discord 社区入口 https://discord.gg/unsloth,可加入后提问。
注意事项
- Notebook 会持续更新,建议以 README 与官网文档中列出的版本为准。
- 不同模型对应不同 Notebook,请先确认模型名称再选择文件。
- 文档站 https://unsloth.ai/docs 提供了微调指南,可配合 Notebook 一起阅读。
核心亮点
- 覆盖文本、视觉、音频、嵌入、TTS 五大类模型,示例数量超过 250 个,选型时基本能找到对应模型
- 每个 notebook 自带完整可运行代码与依赖说明,支持 Colab 一键打开,降低环境配置成本
- 深度绑定 Unsloth 加速方案,在同等硬件下比标准 LoRA 更省显存、训练更快
不足之处
- 示例强依赖 Unsloth 库,若想迁移到 HuggingFace 原生 Trainer 或其他框架需自行改写
- Notebook 形式不利于工程化落地,缺少模块化封装和自动化测试,生产环境需二次重构
适用场景
- 个人开发者用 Colab 免费额度微调小参数模型做垂直领域问答
- 算法工程师快速验证新模型在自有数据集上的 LoRA 微调效果
- 团队为多模态或 TTS 模型搭建 RLHF/DPO 训练流程时参考现成模板
替代项目
LLaMA-Factory、axolotl、peft
上一篇:ktransformers
同类项目推荐
RaveForce
开源
用强化学习训练音乐生成模型,像玩Gym一样做实验
RaveForce - An OpenAI Gym style toolkit for music generation experiments.
GeoPT
开源
用几何预训练,让物理仿真又快又准
Official Code for "GeoPT: Scaling Physics Simulation via Lifted Geometric Pre-Traini···
FineTuningLLMs
开源
跟着书一步步微调大模型,从零跑通全流程
Official repository of my book "A Hands-On Guide to Fine-Tuning LLMs with PyTorch an···
DiffuseKronA
开源
用更少参数微调扩散模型,生成更精准的个性化图像
DiffuseKronA: A Parameter Efficient Fine-tuning Method for Personalized Diffusion Mo···
verifiers
开源
一套接口搞定 RL 训练环境与评测
Our library for RL environments + evals
whisper-vits-japanese
开源
只有音频也能训练日语VITS,Whisper自动生成文本标注
Vits Japanese with Whisper as data processor (you can train your VITS even you only ···
MHLA
开源
用 token 级多头,让线性注意力恢复全量表达力
[ICLR 2026] MHLA: Restoring Expressivity of Linear Attention via Token-Level Multi-H···
m-courtyard
开源
在 Mac 上零代码微调 AI 模型,数据不出本机。
M-Courtyard: Local AI Model Fine-tuning Assistant for Apple Silicon. Zero-code, zero···
surogate
开源
用 C++ 和 CUDA 把大模型微调速度拉到极致
Train and serve LLMs at extreme speed and massive throughput.
