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 2026-08-09 · 当前星标 ★ 79153
技术标签
使用教程
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 unsloth | mypassword |
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
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···
benderopt
开源
无梯度也能调参,黑盒优化一键搞定
Black-box optimization library
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
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
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
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
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
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
