Unsloth

Unsloth，开源大语言模型高效微调与训练库，显著降低显存占用与训练时间，让更多人能在消费级硬件上微调模型。

Unsloth 桌面应用：本地运行和训练模型

Unsloth 发布桌面应用，支持在本地运行和训练 AI 模型，提供 macOS、Linux、Windows 三个平台下载。

收藏4 天前

Unsloth 桌面版发布：本地运行和训练 AI 模型

Unsloth 发布桌面版应用，支持在本地运行和训练 LLM、图像/视频扩散模型、音频模型等，兼容 macOS/Windows/Linux。宣称工具调用准确率提升 50%、推理速度 2 倍、显存节省 70%，支持 Claude Code 等 Agent 接入本地模型。

收藏4 天前

Unsloth: DeepSeek V4 Flash 0731

收藏15 天前

Unsloth: Easily run and train models locally

收藏58 天前

Unsloth 正式加入 PyTorch 生态系统

Unsloth 官方宣布加入 PyTorch 生态系统。文章主要回顾了他们与 PyTorch 在 FP8 RL、手机端部署及量化训练等方面的合作成果，并列举了 Unsloth 的核心功能（如加速训练、降低显存占用、提供 Studio UI 等）。这是一篇典型的项目公关通稿，旨在宣传品牌背书和社区感谢，缺乏新的技术深度或独立观点，对科技读者的互动吸引力有限。

收藏96 天前

Unsloth与英伟达合作：如何在消费级显卡上将大模型训练提速25%

Unsloth与NVIDIA合作，在不损失精度的前提下将LLM训练速度提升约25%。主要优化包括：1. 缓存打包序列元数据，减少跨层重复同步，使前向传播提速14.3%；2. 使用双缓冲异步梯度检查点重载，隐藏CPU到GPU的数据拷贝延迟，在大模型上提速约8%；3. 优化MoE路由逻辑，用argsort和bincount替代动态查询，进一步加速。这些改进针对的是算子之外的胶水代码开销，随着核心算子变快，这类系统级优化变得尤为重要。

收藏101 天前

Gemma 4 微调实战指南：避坑与性能优化

Unsloth 发布了针对 Google Gemma 4 模型的微调指南和新工具 Unsloth Studio。文章核心内容包括：1. 性能优势：Unsloth 比原生 FA2 快 1.5 倍且显存降低 60%。2. 避坑指南：详细解释了 Gemma 4 训练中常见的 Loss 异常（梯度累积 bug）、推理 IndexError 以及 use_cache=False 导致生成乱码的技术原因及修复方案。3. 实操教程：提供了从安装到使用 Web UI 或代码进行微调的完整步骤，涵盖文本、视觉、音频及强化学习场景。4. 硬件门槛：列出了不同参数量模型所需的最低显存配置。这是一篇针对开发者的实用技术文档，解决了新模型落地时的具体工程痛点。

收藏128 天前

Unsloth Studio 发布：面向本地 AI 的开源无代码 Web UI

Unsloth 发布了 Unsloth Studio Beta，这是一个开源的本地 AI Web UI，旨在提供无代码的训练、运行和导出模型的一体化界面。主要功能包括：支持在 Mac、Windows、Linux 上本地运行 GGUF 和 safetensor 模型；利用优化内核实现 500 多种模型 2 倍速度训练且显存降低 70%；内置“自我修复”工具调用、高级网页搜索和代码执行能力；支持从 PDF/CSV 等文件自动创建数据集；可作为 API 端点集成到 Claude Code 等工具中；强调隐私安全，支持完全离线运行。目前支持 NVIDIA 和 Intel GPU 训练，Mac 全支持，AMD 训练支持即将推出。

收藏151 天前

什么是RL环境以及如何构建它们：NVIDIA NeMo Gym实战指南

文章由Unsloth与NVIDIA合作撰写，深入解析了强化学习（RL）在构建Agentic AI时的核心角色。主要观点包括：1. 从SFT转向RL的必要性：SFT擅长模仿，但RL能让模型在多步推理和工具调用中通过验证性奖励（RLVR）自我修正，提升鲁棒性。2. 环境设计的挑战与架构：传统RL耦合度高，NVIDIA推出的NeMo Gym通过解耦环境运行与训练，标准化轨迹数据，解决了资源管理和并行扩展问题。3. 实战流程：分为环境准备（基准测试、任务生成、奖励配置）和模型训练两个阶段。4. 技术细节：介绍了Agent Server、Resource Server和验证逻辑的具体实现，强调使用确定性验证器替代复杂的奖励模型，以提高效率。

收藏154 天前

如何使用 Unsloth 在本地运行大模型并接入 Claude Code

本文是一份详细教程，指导用户如何在本地通过 Unsloth Studio 和 llama.cpp 运行开源大模型（如 Gemma 4、Qwen3），并将其连接至 Anthropic 的终端编程代理 Claude Code。文章核心亮点在于解决了一个具体的工程痛点：Claude Code 默认添加的 Attribution Header 会导致 KV Cache 失效，使本地模型推理速度下降 90%。作者提供了通过环境变量或配置文件禁用该 Header 的具体修复方案，并给出了完整的跨平台安装与配置步骤。对于希望利用本地算力替代云端 API 以降低成本或保护隐私的开发者来说，这是一篇具有实际参考价值的操作指南。

收藏156 天前

如何在本地运行 Qwen 3.5

本文介绍了如何在本地运行阿里最新的 Qwen 3.5 系列大模型。主要内容包括：1. 硬件需求：提供了不同参数量模型（从 0.8B 到 397B）在不同量化精度下的显存/内存需求表，指出 27B 和 35B 模型可在 22GB 内存的 Mac 上运行。2. 推荐设置：详细列出了思考模式和非思考模式下的温度、Top-p 等参数建议，以及针对代码任务和通用任务的不同配置。3. 运行指南：重点介绍了使用 Unsloth Studio（新的 Web UI）和 llama.cpp 进行本地推理的步骤，包括安装、下载 GGUF 模型文件和运行命令。4. 注意事项：提到目前 Qwen 3.5 的 GGUF 版本在 Ollama 中尚不兼容，建议使用 llama.cpp 兼容的后端。

收藏161 天前

Qwen3.5 微调完全指南：Unsloth 加速与显存优化实战

Unsloth 官方文档详细介绍了如何使用 Unsloth 对 Qwen3.5 系列模型进行微调。支持视觉和强化学习（RL）微调。主要亮点包括：Unsloth 比 FA2 快 1.5 倍且显存占用减少 50%；提供了从 0.8B 到 122B 不同规模模型的显存需求参考；支持 bf16 LoRA 和全量微调；针对 MoE 模型给出了特定的训练建议；提供了 Unsloth Studio 图形界面和代码两种使用方式；包含详细的安装、训练、监控和导出步骤（支持 GGUF 和 vLLM）。

收藏164 天前

Unsloth 发布 Dynamic 2.0 量化技术：更小的体积与更高的精度

Unsloth 发布 Dynamic 2.0 量化方案，宣称在精度和效率上超越主流方法。文章核心亮点包括：1. 技术升级：动态调整每一层的量化类型，支持所有模型架构，并提供多种新格式以优化 Apple Silicon 等设备性能。2. 评测体系革新：引用论文指出 MMLU 分数可能因错误答案翻转而失真，主张使用 KL Divergence 作为量化误差的金标准，并批评了现有基准测试中的过拟合问题。3. 实测数据：展示 Gemma 3 和 Llama 4 的对比数据，声称其 4-bit 量化版本比官方 QAT 版本更小且准确率更高。4. 社区贡献：详细列举了协助修复 Llama 4 和 Qwen 等模型在 llama.cpp 中的 Bug，体现了其在本地 AI 生态中的实际影响力。

收藏169 天前

Unsloth 发布 Qwen3.5 量化基准：张量敏感度分析与 imatrix 优化实战

Unsloth 发布了 Qwen3.5 系列模型的 GGUF 量化基准测试与优化建议。核心发现包括：1. 不同张量对量化敏感度差异大，ssm_out 和 attn 层不宜过度量化，而 ffn 层在 3-bit 左右较平衡；2. 使用 imatrix 校准数据能显著降低 KL 散度，提升聊天、代码和工具调用能力，但推理速度可能下降 5-10%；3. 传统困惑度（PPL）和 KL 散度指标可能误导，实际表现需结合 LiveCodeBench 等真实场景评估；4. 废弃 MXFP4 格式，推荐 Q4_K 等更优方案。文章提供了详细的对比图表和下载链接，适合本地部署 AI 的技术读者参考。

收藏169 天前

MiniMax-M2.5 本地运行指南：Unsloth 量化技术让 230B 模型跑在消费级硬件上

Unsloth 发布了 MiniMax-M2.5 大模型的本地运行指南。该模型在代码和搜索任务上表现强劲，通过 Unsloth 的动态量化技术，将 230B 参数模型压缩至 101GB（3-bit），使其能在 128GB 内存的 Mac 或消费级显卡上流畅运行。文章提供了详细的 llama.cpp 部署步骤、推荐参数及第三方基准测试对比，证明其量化版本在精度与体积间取得了极佳的平衡。

收藏174 天前

使用 Unsloth 将 MoE 模型微调速度提升 12 倍

Unsloth 发布了针对 MoE 架构大模型的微调加速方案，声称比 Transformers v5 快 12 倍且显存降低 35%。核心创新包括自定义 Triton 内核和 Split LoRA 算法，通过改变矩阵乘法顺序来避免全量参数合并带来的显存爆炸。实测数据显示在 B200、H100 及消费级显卡上对 Qwen3、gpt-oss 等主流 MoE 模型均有显著提速和显存优化，解决了长上下文训练易 OOM 的痛点，适合有本地微调需求的开发者。

收藏183 天前

Qwen3-Coder-Next：如何在本地运行

介绍如何本地运行 Qwen3-Coder-Next 模型。该模型为 80B MoE 架构，支持 256K 上下文，仅需 46GB 内存即可运行。文章提供了基于 Unsloth Studio 和 llama.cpp 的详细部署教程，包含参数设置、量化版本选择及代码示例，适合有本地部署需求的开发者参考。

收藏193 天前

使用 Claude Code 和本地开源模型运行代码智能体的完整指南

本文是一篇由 Unsloth 发布的详细教程，指导开发者如何在本地部署并连接开源大模型（如 Gemma 4、Qwen 3.6）到 Claude Code 终端代理中。文章核心亮点在于解决了一个具体的性能痛点：Claude Code 默认添加的 Attribution Header 会导致 KV Cache 失效，使推理速度降低 90%。作者提供了通过命令行参数或修改 settings.json 来禁用该 Header 的具体修复方案。此外，教程涵盖了 Unsloth Studio 和 llama.cpp 的安装配置、API Key 设置以及跨平台（Mac/Win/Linux）的操作步骤，旨在帮助用户利用本地算力运行低成本、高隐私的代码智能体。

收藏198 天前