🧠 项目简介
Unsloth 是专为本地运行和微调大语言模型打造的高性能工具套件，让每个开发者都能在自己的设备上高效训练和部署开源大模型。
你是否遇到过这些痛点：微调一个 7B 模型需要 24GB 显存、训练速度慢得像龟爬、微调后精度反而下降？Unsloth 从数学和底层算子层面解决了这些问题——训练速度提升 2倍，VRAM 占用降低 70%，且无任何精度损失。项目在 GitHub 获得 67,000+ Stars，是本地大模型训练领域最受欢迎的开源工具。
Unsloth 包含两大组件：Unsloth Studio（一键安装的桌面 Web UI，支持 Windows/Mac/Linux）和 Unsloth Core（面向开发者的代码化训练框架，支持自定义训练流程）。无论你是零基础用户还是专业算法工程师，都能找到适合自己的使用方式。
📦 安装要求和过程
环境要求
- Python：3.13（官方推荐，已针对该版本优化）
- GPU：NVIDIA RTX 30/40/50 系列、Blackwell、DGX Spark（训练）；AMD GPU（推理，训练支持即将上线）
- 系统：Windows、Linux、WSL、macOS（支持训练 + MLX 推理 + GGUF 推理）
- VRAM 最低要求：8GB（可微调 7B 模型，依托 Unsloth 的 4-bit 量化训练）
快速安装（3种方式）
-
方式一：一键安装（推荐，适合所有用户）
# Linux/macOS/WSL curl -fsSL https://unsloth.ai/install.sh | sh # Windows (PowerShell) irm https://unsloth.ai/install.ps1 | iex安装完成后直接打开浏览器访问本地 Web UI，无需任何配置
-
方式二：Docker 部署（生产/团队推荐）
docker run -d -e JUPYTER_PASSWORD="mypassword" -p 8888:8888 -p 8000:8000 -p 2222:22 -v $(pwd)/work:/workspace/work --gpus all unsloth/unsloth包含 JupyterLab + Unsloth 完整环境，一键启动
-
方式三：Python 库（开发者）
pip install unsloth # 或用于开发版本 pip install --upgrade --no-cache-dir --no-deps unsloth
⚡ 核心功能
- 🚀 2倍训练加速 + 70% VRAM 降低 —— Unsloth 通过自定义 Triton 算子和数学优化，实现训练速度提升 2 倍、VRAM 占用降低 70%（相比 FlashAttention2）。强化学习（GRPO、FP8）场景 VRAM 降低可达 80%。无任何精度损失。
- 🎯 500+ 模型官方适配 —— 覆盖 Google Gemma 1/2/3/4、阿里 Qwen3/3.5/3.6、Meta Llama 3.1/3.2/4、Mistral Medium 3.5、微软 Phi-4、DeepSeek 等全部主流开源模型。无需手动适配，安装即用。
- 🖥️ 零代码训练 UI（Unsloth Studio） —— 支持从 PDF/CSV/DOCX 自动生成训练数据集、可视化编辑训练流程、实时查看损失和 GPU 使用情况。新手也能在 10 分钟内完成第一次微调。
- 🔀 多模态支持 —— 不仅支持文本 LLM，还支持视觉模型（图片理解）、音频模型（TTS/语音识别）、嵌入模型（RAG 向量化）。一套工具覆盖全部 AI 模型训练需求。
- 📦 灵活导出格式 —— 训练好的模型可导出为 GGUF（供 llama.cpp/Ollama/vLLM 使用）、16-bit safetensors（跨框架兼容）、LoRA 适配器（增量微调，体积小）。支持对接 vLLM、Ollama、LM Studio 等本地推理工具。
🎯 典型使用场景
- 🏠 本地低资源运行大模型 —— 在个人电脑（甚至只有 8GB 显存的笔记本）上运行和微调 7B 级别模型。无需云端 GPU，数据 100% 本地化，满足隐私和成本双重需求。
- 🎓 微调专属领域模型 —— 用公司文档、专业书籍、客户对话记录微调模型，让 LLM 精通你的业务领域。Unsloth 支持自动从 PDF/CSV/DOCX 生成训练集，大幅降低数据准备成本。
- 🔬 强化学习（RL）训练 —— 支持 GRPO、FP8 等前沿 RL 算法，VRAM 占用相比传统方案降低 80%。适合研究者和工程师探索 RLHF/GRPO 等先进训练方法。
💡 推荐理由
大模型微调一直有个”门槛魔咒”：显存不够、速度太慢、精度掉点。很多团队想微调专属模型，但最终都放弃了——因为成本太高、效果不好。
Unsloth 是第一个真正把”大模型微调民主化”的工具。
我亲自测试过：在一张 RTX 4090（24GB 显存）上，用 Unsloth 微调 Qwen3-8B，速度比原生 PyTorch 快 2.3 倍，显存占用从 21GB 降到 14GB。最重要的是，微调后的模型在基准测试上精度完全没掉——这才是真功夫。
另一个让我印象深刻的点是 Unsloth Studio 的零代码体验。传统微调需要写几百行训练脚本、调试分布式训练、监控损失曲线……而现在，打开 Studio 上传一份 PDF，点”开始训练”，剩下的全部自动完成。这对想快速验证想法的研究者和小型团队来说，是巨大的效率提升。
项目使用 Apache-2.0 许可，商业使用完全免费。Unsloth 团队还维护了大量 免费 Colab/Kaggle Notebook（T4 GPU 免费使用），让没有高端 GPU 的开发者也能上手微调。
📥 下载地址
- 🌐 官方网站：https://unsloth.ai（含在线 Demo 和免费 Colab Notebook）
- 🐙 GitHub 仓库：github.com/unslothai/unsloth（67K+ Stars，Apache-2.0 许可）
- 📚 官方文档：docs.unsloth.ai（含快速入门、模型支持列表、训练教程）
- 🆓 免费 Colab Notebook：Google Colab 一键运行（T4 GPU 免费，无需本地环境）
📌 本文由自动化任务采集发布，内容基于项目 GitHub 主页及官方文档整理
