---
title: Unsloth Studio
created: 2026-06-07
updated: 2026-06-07
type: app
tags: [catalogue, artificial-intelligence, llm, fine-tuning, training, python, pytorch, studio, auto-hebergement]
confidence: medium
contested: false
sources: [https://selfh.st/apps/?tag=Artificial+Intelligence, https://github.com/unslothai/unsloth]
---

# 🎯 Unsloth Studio

> **Studio web pour le fine-tuning de LLMs** — interface visuelle pour entraîner, évaluer et déployer vos propres modèles (texte, vision, audio, embedding) sur GPU, basé sur le moteur d'optimisation **Unsloth** (2-5x plus rapide que Hugging Face, -40% de VRAM).

| Métadonnée | Valeur |
| :--- | :--- |
| **Site web** | [unsloth.ai](https://unsloth.ai/) |
| **GitHub** | [unslothai/unsloth](https://github.com/unslothai/unsloth) |
| **License** | Apache-2.0 |
| **Langage** | Python, PyTorch |
| **Étoiles** | 5 905 ⭐ |
| **Dernière MAJ** | 2026-06-01 |
| **Catégorie** | [[cat-artificial-intelligence]] |

## Description

**Unsloth** est un projet qui a **révolutionné le fine-tuning de LLMs** sur GPU grand public. La librairie Python `unsloth` applique des **optimisations manuelles de kernels CUDA** (calculs en précision mixte, attention flash, gradients fusionnés) qui permettent de fine-tuner des modèles de plusieurs milliards de paramètres sur des cartes uniques (RTX 3090, 4090, A100, H100) avec **2 à 5x plus de vitesse** et **40% de VRAM en moins** qu'avec Hugging Face Transformers standard.

**Unsloth Studio** est la **surcouche web** de la librairie : une interface visuelle qui guide l'utilisateur à travers toutes les étapes du fine-tuning — du choix du modèle de base (Llama, Qwen, Mistral, Gemma, Phi, et des dizaines d'autres), à la préparation du dataset (CSV, JSON, conversations Alpaca/ShareGPT), en passant par la configuration de l'entraînement (LoRA, QLoRA, full fine-tuning, DPO, GRPO pour RL), jusqu'au déploiement et à l'évaluation.

Le **positionnement** est unique : face à des solutions comme **Axolotl**, **LLaMA-Factory** ou **Hugging Face TRL** (qui sont des CLI/notebooks), Unsloth Studio vise **l'accessibilité** — quelqu'un qui n'a jamais fait de ML peut fine-tuner un modèle en suivant les étapes dans l'UI, sans écrire une seule ligne de Python (même si c'est possible). Le mode **Code Interpreter** permet aussi aux LLMs d'exécuter du Bash et du Python pendant l'inférence.

**Modèles supportés** : Llama 3.x, Qwen 2.5/3, Mistral, Gemma 2/3, Phi-4, DeepSeek, et la plupart des modèles populaires sortis récemment. Support de **text, vision, audio, embeddings** en fine-tuning.

## Installation

### Option 1 : Docker (GPU)

```yaml
# docker-compose.yml
version: '3.8'

services:
  unsloth-studio:
    image: unslothai/studio:latest
    container_name: unsloth-studio
    restart: unless-stopped
    ports:
      - "8888:8888"    # Jupyter
      - "3000:3000"    # Studio UI
    volumes:
      - unsloth_data:/workspace
      - unsloth_models:/models
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: 1
              capabilities: [gpu]
    environment:
      - NVIDIA_VISIBLE_DEVICES=all

volumes:
  unsloth_data:
  unsloth_models:
```

> Prérequis : **driver NVIDIA + nvidia-container-toolkit** installés sur l'hôte, GPU avec au moins 8 Go de VRAM (16+ recommandé pour les modèles 7B+).

### Option 2 : Installation manuelle (Python)

```bash
# Prérequis : Python 3.10+, CUDA 12.1+, PyTorch 2.x
pip install "unsloth[colab-new] @ git+https://github.com/unslothai/unsloth.git"
pip install --no-deps trl peft accelerate bitsandbytes

# Lancer le Studio
unsloth-studio
# ou via Jupyter :
jupyter lab
```

## Configuration

Configuration typique d'un job de fine-tuning :

```python
from unsloth import FastLanguageModel

model, tokenizer = FastLanguageModel.from_pretrained(
    model_name="unsloth/llama-3-8b-bnb-4bit",
    max_seq_length=2048,
    load_in_4bit=True,
)

model = FastLanguageModel.get_peft_model(
    model,
    r=16,                  # rang LoRA
    target_modules=["q_proj", "k_proj", "v_proj", "o_proj"],
    lora_alpha=16,
    use_gradient_checkpointing="unsloth",
)

# Puis entraînement standard via TRL/SFTTrainer
```

Variables d'environnement utiles :

- `UNSLOTH_DISABLE_AUTO_UPDATES=1` : empêche les mises à jour auto en plein training
- `CUDA_VISIBLE_DEVICES=0,1` : sélection des GPUs
- `HF_TOKEN` : token Hugging Face pour télécharger les modèles gated (Llama, Gemma)

## Alternatives

### Open Source

- **LLaMA-Factory** — projet chinois, support de plus de 100 modèles, UI web, LoRA/full
- **Axolotl** — référence "code-first", très flexible
- **Hugging Face TRL + PEFT** — combo standard, plus verbeux
- **MS-Swift** (ModelScope) — autre framework chinois, multi-modal
- **LitGPT** (Lightning AI) — implémentation propre pour les chercheurs

### Propriétaires (ce que cette app remplace)

- **OpenAI Fine-Tuning API** — cher, modèles propriétaires uniquement
- **Google Vertex AI Custom Training** — cher, vendor lock-in
- **AWS SageMaker JumpStart** — complexe, cher
- **Azure OpenAI Fine-Tuning** — modèles Azure uniquement
- **Together AI** — cloud, pas de self-host

## Sécurité

- **Code Interpreter** : le Studio permet aux LLMs d'exécuter du Bash/Python — exécuter dans un container ou une VM isolée, jamais sur l'host de prod
- **Modèles et datasets** : les modèles fine-tunés peuvent contenir des **biazes** ou des **vulnérabilités** héritées des données — évaluer avant déploiement
- **Données d'entraînement** : ne jamais fine-tuner sur des données sensibles (PII, secrets) sans anonymisation préalable
- **GPU** : un GPU surchauffé pendant un fine-tuning long = risque d'incendie (matériel). Surveiller `nvidia-smi` et ventiler
- **Exfiltration** : un modèle fine-tunonné peut "mémoriser" des données d'entraînement et les recracher — ne pas mettre de secrets en dataset
- **Docker socket** : si on monte `/var/run/docker.sock`, le container a les pleins pouvoirs sur l'hôte — éviter

## Ressources

- [Site officiel](https://unsloth.ai/)
- [Documentation Studio](https://unsloth.ai/docs/new/studio)
- [GitHub unsloth](https://github.com/unslothai/unsloth)
- [Discord Unsloth](https://discord.gg/unsloth)
- [Blog — benchmarks vs HF](https://unsloth.ai/blog)

## Pages Liées

- [[cat-artificial-intelligence]] — Catégorie parente
- [[recettes-docker-compose]] — Templates Docker Compose
- **Ollama** — Pour servir le modèle fine-tuné après entraînement _(fiche à créer)_
- [[app-localai]] — Alternative pour l'inférence
- [[app-open-webui]] — Frontend pour tester le modèle