Unslothとは？
Unsloth は、LLM のファインチューニングを高速にし、GPU メモリの消費を抑える Python ライブラリとして始まりました。README では、精度を落とさずに学習が約 2x 速くなり、VRAM が 70% 減るとしています。プロ ジェクト自身のノートブックの表では、モデルによって 1.5x から 2x の高速化と、20% から 80% のメモリ削減が示されています。
現在は 3 つの形態で提供されています。Unsloth Core(Python ライブラリ)、Unsloth Studio(ブラウザー UI)、Unsloth Desktop(ネイティブアプリ)で、学習だけでなくモデルの実行もできます。LoRA、QLoRA、フルファインチューニング、事前学習、DPO、GRPO、FP8 に対応し、GGUF などの形式に書き出せます。Unsloth Start コマンドを使うと、Claude Code、Codex、OpenCode をローカルモデルに接続できます。
コアは Apache 2.0、Studio の UI は AGPL-3.0 です。リリースはまだベータ扱いです(2026年10月19日の v0.1.909-beta)。同社は複数 GPU と複数ノードでの高速化を含む有料の Pro と Enterprise も掲げていますが、価格は公開していません。
Unslothは使う価値があるか？
Unsloth の価値はメモリの表にあります。要件ページによれば、QLoRA でのファインチューニングに必要な VRAM は、8B モデルで約 6 GB、14B モデルで 8.5 GB、32B モデルで 26 GB で、16 ビット LoRA ではそれぞれ 22 GB、33 GB、76 GB です。これらはプロジェクト自身が示す最低値で、独立したベンチマークではありません。それでも、Colab の無料 T4 や RTX カード 1 枚でほとんどのアダプター学習に足りる理由はこれで説明できます。ハードウェアには CUDA capability 7.0 以上が必要で、V100 と T4 以降のカードが該当します。
プロジェクトはアプリケーションへと広がりました。Studio と Desktop にはチャット、PDF や表計算ファイルからのデータセット作成、OpenAI 互換 API、リモートアクセスが加わり、便利になった一方でセキュリティの状況は 変わりました。README は、サーバー側のツールが既定で有効になっていると警告しています。そのため、--secure やローカル以外のホストを指定して Studio をネットワークに公開すると、管理者パスワードで保護された公開 Cloudflare リンクが開きます。Studio の AGPL ライセンスも、その UI をホスト型の製品に組み込もうとする人にとっては重要です。
無料版が手薄になるのは複数 GPU です。ドキュメントによれば、複数 GPU での実行は Accelerate か DeepSpeed を手動で設定して行います。料金ページは、より優れた複数 GPU 対応(最大 8 GPU)を Pro に、複数ノードでの学習を Enterprise に限定しており、どちらも価格は公開されていません。クラスターでの実行には、Axolotl や素の TRL が今も一般的な選択肢です。
ある既定の動作にも触れておくべきでしょう。Unsloth Core は読み込み時に、実行環境(Colab、AWS、Kaggle など)の名前が付いた Hugging Face のリポジトリから小さな README をダウンロードし、チームが利用数を数えられるようにしています。これは UNSLOTH_DISABLE_STATISTICS で無効にできます。多くのテレメトリと比べれば穏当ですが、無効にしないと、ネットワークから隔離された学習マシンは最大 120 秒これを待つことになります。
真価を発揮する場面
24 GB の RTX カードを 1 枚持つ ML エンジニア
社内のサポート記録 20,000 件で 14B のオープンモデルをファインチューニングする
Core のスクリプトか Studio から QLoRA を実行します。ドキュメントでは 14B で約 8.5 GB の VRAM とされています。その後、アダプターを GGUF に書き出して llama.cpp や Ollama で使います。コストはレンタル GPU ではなく、電気代とエンジニアの時間です。
従業員 50 人の保険会社のデータサイエンス責任者
保険金請求の振り分けで、ファインチューニングした小型モデルが有料 API の呼び出しを置き換えられるか検証する
Colab の無料ノートブックで試作し、同じスクリプトをクラウドの A100 1 台に移して全データセットで学習します。結果が維持できれば、推論はトークン単位の API 課金ではなく自社のハードウェアで動きます。リスクは、ベースモデルが変わるたびにモデルを保守し続けることです。
推論の振る舞いを学習させる研究者
クラスターなしで 20B モデルに GRPO の強化学習を実行する
gpt-oss 20B 向けの GRPO ノートブックから始めます。このノートブックはベースラインと比べて 2x の速度と 80% のメモリ削減をうたっています。実験には大きな GPU 1 枚で足ります。8 GPU を超えて拡張するなら、有料プランか別のフレームワークが必要になります。
導入前に確認すること
- 導入
- Windows、macOS、Linux 向けのデスクトップインストーラー、Studio 用の curl または PowerShell スクリプト、Docker(unsloth/unsloth)、あるいは Python 3.11 から 3.13 で Core 用に uv pip install unsloth を使います。NVIDIA では CUDA capability 7.0 以上が必要で、AMD、Intel、Mac は条件付きで対応しています。
- 連携
- 内部では Hugging Face Transformers と TRL を使い、GGUF には llama.cpp、Studio からは OpenAI 互換 API、Claude Code、Codex、OpenCode などのエージェント向けには Unsloth Start を提供しています。無料ノートブックは Colab と Kaggle で動きます。
- データとプライバシー
- 学習データとモデルは自分のマシンに残ります。UNSLOTH_DISABLE_STATISTICS を設定しない限り、Core は利用数を数えるために環境名の付いたファイルを Hugging Face からダウンロードします。localhost の外に公開した Studio は、既定で管理者パスワードの背後でサーバー側のツールを提供します。公開されたセキュリティアドバイザリはありません。
- 大規模利用時のコスト
- ソフトウェアは無料で、コストは GPU の利用時間です。要件ページでは、70B モデルの QLoRA に 41 GB、16 ビット LoRA に 164 GB の VRAM が必要とされており、70B を扱うには 48 GB のカード 1 枚か複数 GPU のノードが必要です。Pro と Enterprise は複数 GPU と複数ノードの高速化を非公開の価格で追加します。
- 制限
- 無料での複数 GPU 学習には手動設定が必要で、リリースはまだベータ扱いです。Mac 対応は Studio と Core で異なり、Windows では先に torchao をインストールしないと、古いバージョンの Unsloth が警告なしに選ばれます。
良い点
- ドキュメントによれば、8B モデルの QLoRA が約 6 GB の VRAM で動く
- 数十のモデル向けに Colab と Kaggle の無料ノートブックがある
- LoRA、QLoRA、フルファインチュー ニング、DPO、GRPO、FP8 に対応
- GGUF に書き出せ、ローカルでのモデル実行もできる
気になる点
- 速度とメモリの数値は開発元自身によるもの
- Studio は AGPL-3.0 で、既定でサーバー側のツールを公開する
- 無料での複数 GPU 利用には Accelerate か DeepSpeed の手動設定が必要
- Pro と Enterprise の価格は非公開
おすすめの人
限られた GPU ハードウェアでオープンモデルをファインチューニングする個人や小規模チームに向いています。
Unslothの代替
Unsloth：よくある質問
- Unslothは使う価値があるか？
- Unsloth は 24 GB のカード 1 枚を本格的に使えるファインチューニング環境に変えますが、2 台目のサーバーが必要になった時点で当然の選択肢ではなくなります。 評価は5点満点中4.6点です。
- Unslothの料金は？
- 無料です。コアライブラリは Apache 2.0、Studio の UI は AGPL-3.0 です。複数 GPU と複数ノードでの学習向けに有料の Pro と Enterprise がありますが、価格は公開されていません。
- Unslothの欠点は？
- 速度とメモリの数値は開発元自身によるもの; Studio は AGPL-3.0 で、既定でサーバー側のツールを公開する; 無料での複数 GPU 利用には Accelerate か DeepSpeed の手動設定が必要; Pro と Enterprise の価格は非公開.
- Unslothは誰に向いているか？
- 限られた GPU ハードウェアでオープンモデルをファインチューニングする個人や小規模チームに向いています。
- チームや本番環境でUnslothを使うと費用はいくらか？
- ソフトウェアは無料で、コストは GPU の利用時間です。要件ページでは、70B モデルの QLoRA に 41 GB、16 ビット LoRA に 164 GB の VRAM が必要とされており、70B を扱うには 48 GB のカード 1 枚か複数 GPU のノードが必要です。Pro と Enterprise は複数 GPU と複数ノードの高速化を非公開の価格で追加します。
- Unslothは企業データを扱っても安全か？
- 学習データとモデルは自分のマシンに残ります。UNSLOTH_DISABLE_STATISTICS を設定しない限り、Core は利用数を数えるために環境名の付いたファイルを Hugging Face からダウンロードします。localhost の外に公開した Studio は、既定で管理者パスワードの背後でサーバー側のツールを提供します。公開されたセキュリティアドバイザリはありません。
- Unslothの代わりになるものは？
- 当サイトでレビューした中で最も近い代替はAxolotl, TRL 、 LlamaFactoryです。
回答確認日：2026年10月26日