unsloth

本地一键跑起最新大模型,调教它不花一分钱

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。

开源 freemium 图像生成
访问官网 ↗ GitHub ↗ 文档 ↗
GitHub 星标 ★ 76584
维护状态 活跃
是否开源
定价模式 freemium

项目数据

分类图像生成
开发团队unslothai
所属国家
定价模式freemium
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
是否开源
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★ 76584
30天Star增速
HF 下载量
上线时间2023-11-29 00:00:00
最近更新2026-09-22 00:00:00
维护状态活跃
中文支持
访问方式
移动端支持
综合评分
收录时间2026-08-09
浏览次数6

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_PASSWORDStudio 网页界面登录密码,用户名固定为 unslothmypassword
JUPYTER_PASSWORDJupyterLab (8888 端口) 的访问密码mypassword
UNSLOTH_STUDIO_HOME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

项目介绍

unsloth 是模型训练领域的开源项目,由 unslothai 开发,2023 年首次发布。

在全站 13,014 个收录项目中,它的 GitHub 星标数(76,584)位列前 1%,在模型训练分类的 518 个项目里位列前 1%。

近 44 天,它的 GitHub 星标从 69,761 增加到 76,584,净增 6,823。

项目目前处于活跃维护状态,最近一次代码更新于 2026-09-22。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。从国内网络环境看,可直接访问。

它主要面向的使用场景是:个人开发者本地微调LLM或扩散模型,快速验证效果。同类可对比的替代方案包括 Hugging Face Transformers、Axolotl、LLaMA-Factory。

上一篇:没有了!

下一篇:FastVideo

同类项目推荐

Long-RL 开源

让强化学习轻松驾驭超长序列,训练更稳更快

Long-RL: Scaling RL to Long Sequences (NeurIPS 2025)

★ 729 2026-08-09
TPA 开源

把注意力复杂度从平方降到线性,长序列不再卡顿

[NeurIPS 2025 Spotlight] TPA: Tensor ProducT ATTenTion Transformer (https://arxiv.or···

★ 463 2026-08-09
minimind 开源

两小时造出你的小模型,练手入门不求人

Train a 64M-parameter LLM from scratch in just 2h!

★ 62178 2026-08-09
pruna 开源

一键优化 AI 模型,推理提速又省资源。

Pruna is a model optimization framework built for developers, enabling you to delive···

★ 1286 2026-08-13