Qu’est-ce que Unsloth ?
Unsloth a commencé comme une bibliothèque Python qui rend le fine-tuning de LLM plus rapide et plus léger en mémoire GPU. Son README revendique un entraînement environ 2x plus rapide avec 70 % de VRAM en moins et sans perte d'exactitude ; son propre tableau de notebooks montre des gains de 1,5x à 2x et 20 % à 80 % de mémoire en moins selon le modèle.
Il vient désormais sous trois formes : Unsloth Core (la bibliothèque Python), Unsloth Studio (une interface navigateur) et Unsloth Desktop (une appli native), et il fait tourner les modèles autant qu'il les entraîne. Il prend en charge LoRA, QLoRA, le fine-tuning complet, le pré-entraînement, DPO, GRPO et FP8, exporte vers GGUF et d'autres formats, et sa commande Unsloth Start connecte Claude Code, Codex ou OpenCode à un modèle local.
Le cœur est Apache 2.0 ; l'interface Studio est AGPL-3.0. Les versions sont encore taguées beta (v0.1.909-beta le 19 octobre 2026). L'entreprise liste aussi des paliers Pro et Enterprise payants avec des accélérations multi-GPU et multi-nœuds, sans prix publics.
Unsloth vaut-il le coup ?
La valeur d'Unsloth est dans son tableau de mémoire. Selon sa page de prérequis, le fine-tuning QLoRA d'un modèle 8B a besoin d'environ 6 Go de VRAM, un modèle 14B 8,5 Go et un modèle 32B 26 Go, contre 22 Go, 33 Go et 76 Go pour le LoRA 16 bits. Ces chiffres sont les propres minimums du projet, pas des benchmarks indépendants, mais ils expliquent pourquoi un Colab T4 gratuit ou une seule carte RTX suffit pour la plupart de l'entraînement d'adaptateurs. Le matériel a besoin d'une capacité CUDA 7.0 ou plus récente, ce qui couvre les cartes à partir du V100 et T4.
Le projet s'est élargi en application. Studio et Desktop ajoutent le chat, la construction de jeux de données à partir de PDF et feuilles de calcul, une API compatible OpenAI et l'accès distant, ce qui est utile mais change le tableau de sécurité. Le README avertit que les outils côté serveur sont activés par défaut, si bien qu'exposer Studio sur un réseau avec --secure ou un hôte non local ouvre un lien Cloudflare public gardé par un mot de passe admin. La licence AGPL sur Studio compte aussi pour quiconque prévoit d'intégrer cette interface dans un produit hébergé.
Le multi-GPU est là où la version gratuite s'amincit. Sa documentation dit que le multi-GPU tourne via Accelerate ou DeepSpeed avec une configuration manuelle, et la page de tarification réserve une meilleure prise en charge multi-GPU (jusqu'à huit GPU) à Pro et l'entraînement multi-nœuds à Enterprise, ni l'un ni l'autre avec un prix publié. Axolotl et TRL simple restent le choix plus courant pour les exécutions en cluster.
Un réglage par défaut mérite une mention. Au chargement, Unsloth Core télécharge un petit README depuis un dépôt Hugging Face nommé d'après votre environnement (Colab, AWS, Kaggle et ainsi de suite) pour que l'équipe compte l'usage ; il peut être désactivé avec UNSLOTH_DISABLE_STATISTICS. C'est doux comparé à la plupart des télémétries, mais une machine d'entraînement en air-gap attendra sinon jusqu'à 120 secondes dessus.
Là où il fait la différence
Un ingénieur ML avec une seule carte RTX de 24 Go
Fine-tuner un modèle ouvert 14B sur 20 000 transcriptions de support internes
Lancez QLoRA depuis un script Core ou Studio, que la documentation place à environ 8,5 Go de VRAM pour 14B, puis exportez l'adaptateur vers GGUF pour llama.cpp ou Ollama. Le coût est l'électricité et le temps de l'ingénieur plutôt que des GPU loués.
Un responsable data science dans un assureur de 50 personnes
Tester si un petit modèle fine-tuné peut remplacer les appels d'API payants pour le triage de sinistres
Prototypez sur un notebook Colab gratuit, puis déplacez le même script vers un A100 cloud pour le jeu de données complet. Si le résultat tient, l'inférence tourne sur du matériel possédé au lieu d'une facturation API par token ; le risque est de maintenir le modèle à mesure que les modèles de base changent.
Un chercheur qui entraîne un comportement de raisonnement
Lancer l'apprentissage par renforcement GRPO sur un modèle 20B sans cluster
Partez du notebook GRPO gpt-oss 20B, qui revendique 2x la vitesse et 80 % de mémoire en moins que la base. Un seul grand GPU suffit pour les expériences ; passer à l'échelle au-delà de huit GPU pointe vers les paliers payants ou un autre framework.
Avant de vous engager
- Mise en route
- Installeurs desktop pour Windows, macOS et Linux, un script curl ou PowerShell pour Studio, Docker (unsloth/unsloth), ou uv pip install unsloth pour Core sur Python 3.11 à 3.13. NVIDIA a besoin d'une capacité CUDA 7.0 ou plus récente ; AMD, Intel et Mac sont pris en charge avec réserves.
- Intégrations
- Hugging Face Transformers et TRL en dessous, llama.cpp pour GGUF, une API compatible OpenAI depuis Studio, et Unsloth Start pour Claude Code, Codex, OpenCode et d'autres agents. Les notebooks gratuits tournent sur Colab et Kaggle.
- Données et confidentialité
- Les données d'entraînement et les modèles restent sur votre machine ; Core télécharge un fichier nommé d'après l'environnement depuis Hugging Face pour compter l'usage sauf si UNSLOTH_DISABLE_STATISTICS est défini. Studio exposé au-delà de localhost sert les outils côté serveur par défaut derrière un mot de passe admin. Pas d'avis de sécurité publiés.
- Coût à grande échelle
- Logiciel gratuit ; le coût est le temps GPU. La page de prérequis liste 41 Go de VRAM pour QLoRA sur un modèle 70B et 164 Go pour le LoRA 16 bits, si bien que le travail 70B signifie une carte de 48 Go ou un nœud multi-GPU. Les paliers Pro et Enterprise ajoutent des accélérations multi-GPU et multi-nœuds à des prix non publiés.
- Limites
- L'entraînement multi-GPU gratuit a besoin d'une configuration manuelle, les versions sont encore étiquetées beta, la prise en charge Mac diffère entre Studio et Core, et sur Windows torchao doit être installé d'abord ou une ancienne version d'Unsloth est résolue silencieusement.
Les points forts
- QLoRA sur un modèle 8B en environ 6 Go de VRAM, selon sa documentation
- Notebooks Colab et Kaggle gratuits pour des dizaines de modèles
- LoRA, QLoRA, fine-tuning complet, DPO, GRPO et FP8
- Exporte vers GGUF et fait aussi tourner les modèles localement
Les points faibles
- Les chiffres de vitesse et de mémoire sont ceux du fournisseur
- Studio est AGPL-3.0 et expose les outils côté serveur par défaut
- Le multi-GPU gratuit a besoin d'une configuration Accelerate ou DeepSpeed manuelle
- Prix Pro et Enterprise non publiés
Idéal pour
Les individus et petites équipes qui fine-tunent des modèles ouverts sur du matériel GPU limité.
Alternatives à Unsloth
Unsloth : questions fréquentes
- Unsloth vaut-il le coup ?
- Unsloth transforme une seule carte de 24 Go en une machine de fine-tuning crédible, et cesse d'être le choix évident au deuxième serveur. Nous lui donnons 4.6 sur 5.
- Combien coûte Unsloth ?
- Gratuit. Bibliothèque du cœur Apache 2.0 ; interface Studio AGPL-3.0. Des paliers Pro et Enterprise payants existent pour l'entraînement multi-GPU et multi-nœuds ; les prix ne sont pas publiés.
- Quels sont les inconvénients de Unsloth ?
- Les chiffres de vitesse et de mémoire sont ceux du fournisseur; studio est AGPL-3.0 et expose les outils côté serveur par défaut; le multi-GPU gratuit a besoin d'une configuration Accelerate ou DeepSpeed manuelle; prix Pro et Enterprise non publiés.
- À qui s’adresse Unsloth ?
- Les individus et petites équipes qui fine-tunent des modèles ouverts sur du matériel GPU limité.
- Combien coûte Unsloth pour une équipe ou en production ?
- Logiciel gratuit ; le coût est le temps GPU. La page de prérequis liste 41 Go de VRAM pour QLoRA sur un modèle 70B et 164 Go pour le LoRA 16 bits, si bien que le travail 70B signifie une carte de 48 Go ou un nœud multi-GPU. Les paliers Pro et Enterprise ajoutent des accélérations multi-GPU et multi-nœuds à des prix non publiés.
- Unsloth est-il sûr pour les données de l’entreprise ?
- Les données d'entraînement et les modèles restent sur votre machine ; Core télécharge un fichier nommé d'après l'environnement depuis Hugging Face pour compter l'usage sauf si UNSLOTH_DISABLE_STATISTICS est défini. Studio exposé au-delà de localhost sert les outils côté serveur par défaut derrière un mot de passe admin. Pas d'avis de sécurité publiés.
- Quelles sont les meilleures alternatives à Unsloth ?
- Les alternatives les plus proches que nous avons testées sont Axolotl, TRL et LlamaFactory.
Réponses vérifiées le 26 oct. 2026.