unsloth

本地一键跑起最新大模型,调教它不花一分钱

开源 🏷️基础免费,高级付费 ✅ 目前可打开 图像生成 🍴 复刻 7367 🐛 待处理 460 👀 关注 379
访问官网 ↗ GitHub ↗
GitHub 星标 ★ 79153
维护状态 活跃
是否开源 开源
定价模式 🏷️基础免费,高级付费 支持限时试用 · 提供免费在线使用和训练模型的界面,部分高级功能或资源需付费,具体价格需查看官网。

项目预览

unsloth 项目界面预览图
图片来源:GitHub 官方仓库名片

项目数据

分类图像生成
开发团队unslothai
定价模式🏷️基础免费,高级付费
价格说明提供免费在线使用和训练模型的界面,部分高级功能或资源需付费,具体价格需查看官网。
访问状态✅ 目前可打开
是否开源是
开源协议Apache-2.0
主要语言Python
技术栈/模型agent,ai,chatgpt,deepseek,fine-tuning,gemma,image-generation,llama,llm,llms,openai,python,qwen,reinforcement-learning,self-hosted,stable-diffusion,text-to-speech,tts,ui,unsloth
GitHub 星标★ 79153
上线时间2023-11-29 00:00:00
代码更新2026-11-07
仓库体积653.5 MB
本站数据更新2026-11-08
维护状态活跃
收录时间2026-08-09
浏览次数11

项目介绍

本地运行与训练文本、扩散模型的 UI 工具,支持 Kimi、Gemma、Qwen3.6、DeepSeek-V4、FLUX 等最新模型,让个人开发者也能轻松微调与部署。

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 2026-08-09 · 当前星标 ★ 79153

使用教程

难度:进阶 约 10 分钟 部署方式:Docker 7 步

环境要求

  • 桌面版:Windows / macOS / Ubuntu(deb) 系统,直接下载官方安装包
  • Docker 方式:已安装 Docker,Linux 需先装 NVIDIA 容器工具包,Windows 需 Docker Desktop + WSL 2
  • 源码安装:需 git,以及 macOS / Linux / WSL 或 Windows PowerShell 环境
  • 运行模型需要可用的 GPU(Docker 命令使用 --gpus all)

安装与启动步骤

  1. 1下载桌面应用

    按系统从 GitHub Releases 下载原生安装包:Windows 用 .exe、macOS 用 .dmg、Ubuntu 用 .deb,也可到官网下载页获取。

  2. 2准备GPU环境

    Linux 上以 Docker 方式运行前,先装一次 NVIDIA 容器工具包,让容器能访问 GPU;Windows 则确保 Docker Desktop 开启 WSL 2 后端。

    curl -fsSL https://raw.githubusercontent.com/unslothai/unsloth/main/docker/install_nvidia_toolkit.sh -o install_nvidia_toolkit.sh && sudo -E bash install_nvidia_toolkit.sh
  3. 3启动Docker容器

    拉取并后台运行 unsloth/unsloth 镜像,映射 8000(Studio) 和 8888(JupyterLab) 端口,把当前目录挂载进容器,密码按需修改。

    docker run -d --gpus all --ipc=host
      -p 8000:8000 -p 8888:8888
      -e UNSLOTH_STUDIO_PASSWORD="mypassword" -e JUPYTER_PASSWORD="mypassword"
      -v "$PWD":/workspace/host
      unsloth/unsloth
  4. 4源码安装(Linux)

    在 macOS、Linux 或 WSL 中克隆 main 分支(最新 nightly 源码)并执行本地安装脚本,随后以 8888 端口启动 Studio。

    git clone https://github.com/unslothai/unsloth
    cd unsloth
    ./install.sh --local
    unsloth studio -p 8888
  5. 5源码安装(Windows)

    在 PowerShell 中克隆仓库、临时放开执行策略,再运行 install.ps1 完成本地安装并启动 Studio。

    git clone https://github.com/unslothai/unsloth.git
    cd unsloth
    Set-ExecutionPolicy -Scope Process -ExecutionPolicy Bypass
    .\install.ps1 --local
    unsloth studio -p 8888
  6. 6隔离目录安装

    不想污染全局环境时,用 UNSLOTH_STUDIO_HOME 指定独立安装目录,安装与启动命令都要带上该变量。

    UNSLOTH_STUDIO_HOME="$PWD/.studio" ./install.sh --local
    UNSLOTH_STUDIO_HOME="$PWD/.studio" unsloth studio -p 8888
  7. 7更新到最新版

    源码安装后进入仓库目录 git pull 拉取最新代码,重新执行安装脚本,再启动 Studio。

    cd unsloth && git pull
    ./install.sh --local
    unsloth studio -p 8888

关键配置

配置项必填说明示例
UNSLOTH_STUDIO_PASSWORD是Studio 网页界面登录密码,用户名固定为 unslothmypassword
JUPYTER_PASSWORD否JupyterLab (8888 端口) 的访问密码mypassword
UNSLOTH_STUDIO_HOME否指定隔离的安装目录,避免装到全局环境/your/path/.studio

如何确认成功

浏览器打开 http://localhost:8000,用用户名 unsloth 和设置的密码登录 Studio;8888 是 JupyterLab。

常见问题

Q:Docker 容器起来了但打不开页面?

A:确认运行命令包含 -p 8000:8000(Studio)和 -p 8888:8888(JupyterLab),并用 docker logs -f 跟踪启动日志排查报错。

Q:执行 --gpus all 报错怎么办?

A:Linux 需先运行 install_nvidia_toolkit.sh 配置 NVIDIA 容器工具包;Windows 请在 Docker Desktop 中使用 WSL 2 后端。

Q:只想用 Notebook 不要完整环境?

A:可以改用 unsloth/unsloth:core 标签,该镜像只包含 notebooks,具体标签见 Docker Hub 页面。

Q:如何卸载?

A:macOS/WSL/Linux 执行 curl -fsSL https://raw.githubusercontent.com/unslothai/unsloth/main/scripts/uninstall.sh | sh;Windows 执行 irm https://raw.githubusercontent.com/unslothai/unsloth/main/scripts/uninsta

Q:Windows 能源码安装吗?

A:可以,用 install.ps1 --local,并在同一 PowerShell 会话中先执行 Set-ExecutionPolicy -Scope Process -ExecutionPolicy Bypass。

注意事项

  • 开发版脚本构建的是 main 分支,也就是最新的 nightly 源码,可能不如桌面版稳定。
  • Docker 方式把当前目录挂载到容器 /workspace/host,训练数据可放在这里。
  • Web 界面还支持 unsloth studio --secure 的 HTTPS 安全部署模式。
  • 高级安装与更多选项参见官方文档 https://unsloth.ai/docs 。

核心亮点

  • 统一本地UI,同时覆盖文本与扩散模型(如FLUX)的训练和推理,降低多模型管理成本
  • 深度优化训练速度与显存占用,官方宣称最高可提升2倍训练速度并减少80%显存消耗
  • 支持Kimi K3、Gemma 4、Qwen3.6等最新模型,紧跟社区前沿,生态兼容性好

不足之处

  • 文档/社区待观察
  • 依赖特定GPU架构(如CUDA),对AMD或Apple Silicon支持有限
  • UI功能相对简单,复杂任务仍需依赖底层API或脚本

适用场景

  • 个人开发者本地微调LLM或扩散模型,快速验证效果
  • 小团队在有限GPU资源下进行模型训练和部署
  • 教育或研究场景中,作为教学工具演示模型训练流程

替代项目

Hugging Face Transformers、Axolotl、LLaMA-Factory

上一篇:没有了!

下一篇:FastVideo

同类项目推荐

Liger-Kernel 开源

不改模型结构,给 LLM 训练省显存提吞吐

Efficient Triton Kernels for LLM Training

★ 6689 2026-09-16
FreeFuse 开源

测试时动态路由,多 LoRA 融合不打架

[TMLR26]FreeFuse: Multi-Subject LoRA Fusion via Adaptive Token-Level Routing at Test···

★ 249 2026-08-09
benderopt 开源

无梯度也能调参,黑盒优化一键搞定

Black-box optimization library

★ 87 2026-08-09
modular-diffusion 开源

像搭积木一样,快速搭建你的自定义扩散模型

Python library for designing and training your own Diffusion Models with PyTorch

★ 292 2026-08-09
kg-llm 开源

用大模型补全知识图谱,论文级代码直接复现

Exploring large language models for knowledge graph completion. ICASSP 2025

★ 163 2026-08-09
transformer-tricks 开源

查Transformer加速技巧,少走弯路,直接上手

A collection of tricks and tools to speed up transformer models

★ 235 2026-08-09
vertex-ai-mlops 开源

照着做,就能在 Google Cloud 上跑通生产级 ML 流水线

Google Cloud Platform Vertex AI end-to-end workflows for machine learning operations

★ 720 2026-08-09
rllm 开源

让LLM强化学习训练像搭积木一样简单,快速提升模型推理能力。

Democratizing Reinforcement Learning for LLMs

★ 5912 2026-08-09
lora-svc 开源

用少量干声克隆歌手音色,轻松实现歌声转换

singing voice change based on whisper, and lora for singing voice clone

★ 644 2026-08-09