开始使用 Unsloth Studio

Unsloth Studio 是一个本地、基于浏览器的 GUI，无需编写任何代码即可对 LLM 进行微调。它将训练流程封装在一个简洁的界面中，负责模型加载、数据集格式化、超参数配置以及实时训练监控。

Studio数据配方导出聊天视频

设置 Unsloth Studio

首先，使用本地安装或云端选项启动 Unsloth Studio。请按照 安装说明 完成你的配置，或者使用我们的 免费 Colab 笔记本。对于本地设置，请运行：

unsloth studio -H 0.0.0.0 -p 8888

然后在浏览器中打开 http://localhost:8888 。

首次启动时，你需要创建一个密码来保护你的账户，并在稍后重新登录。

接着你会看到一个简短的引导向导，用于选择模型、数据集和基本设置。你可以随时跳过它，并手动配置所有内容。

Studio - 快速入门

Unsloth Studio 首页有 4 个主要区域： 模型, 数据集, 参数，以及 训练/配置

• 为模型和数据提供简单设置 来自 Hugging Face 或本地文件

• 灵活的训练选项 如 QLoRA、LoRA 或全参数微调，并已填入默认值

• 实用的配置工具 用于划分、列映射、超参数和 YAML 配置

• 出色的训练可视化 包含实时进度、GPU 统计、图表、启动状态

1. 选择模型和方法

模型类型

选择与你的使用场景相匹配的模态：

训练方法

提供三种方法，可通过胶囊式选择器切换：

输入任意 Hugging Face 模型名称，或直接通过下拉组合框搜索 Hub。存储在 ~/.unsloth/studio/models 中的本地模型以及你的 Hugging Face 缓存也会出现在列表中。

当你选择一个模型时，Studio 会自动从后端获取其配置，并为所有超参数预先填充合理的默认值。

HuggingFace 令牌

如果模型受限访问（例如 Llama、Gemma），请在此粘贴你的 Hugging Face 访问令牌。令牌会被实时验证，如果无效会在行内显示错误。

2. 数据集

在两个选项卡之间切换，选择数据来源：

• HuggingFace Hub - 对 Hub 进行实时搜索。每个结果都会显示最后更新日期。

• 本地 - 拖放或点击以上传非结构化或结构化文件，例如： PDF, DOCX, JSONL, JSON, CSV，或 Parquet 格式。之前上传的数据集会显示在列表中，并自动刷新。

你可以在这里查看我们详细的 数据集指南.

Prompt Studio 如何解释并格式化你的数据：

拆分与切片

• 子集 - 会从数据集卡自动填充。

• 训练拆分 / 评估拆分 - 选择要使用的拆分。设置评估拆分会在训练期间启用 评估损失 图表。

• 数据集切片 - 可选地将训练限制在某个行范围（起始索引 / 结束索引）以便快速实验。

列映射

如果 Studio 无法自动将你的数据集列映射到正确角色， 数据集预览对话框 会打开。它会显示示例行，并让你将每一列分配给 instruction, input, output, 图像等。建议的映射会在可用时预先填入。

3. 超参数

参数被分组到可折叠的部分中。你可以在这里查看我们详细的 LoRA 超参数指南 ：

LoRA 设置

（在选择全量微调时隐藏）

对于 视觉 带有图像数据集的模型，会出现四个额外的复选框。微调：

训练超参数

组织在三个选项卡中：

4. 训练和配置

右下角卡片包含三个配置管理按钮和 开始训练 按钮。

在模型和数据集都配置完成之前，“开始训练”按钮会保持禁用状态。验证错误会以内联方式显示——例如，在未选择评估拆分时设置评估步数，或将仅文本模型与视觉数据集配对。

加载界面

在你点击 开始训练之后，当后端准备所有内容时，会出现一个全页遮罩层。

该遮罩层会显示一个带有实时阶段更新的动画终端：

• 蓝色：下载模型 / 数据集

• 琥珀色：加载模型 / 数据集

• 蓝色：配置中

• 绿色：训练中

你可以随时使用角落里的 × 按钮取消。在停止任何内容之前，都会先显示确认对话框。

训练进度与可观测性

当第一步训练开始后，遮罩层会消失，并显示实时训练视图。当进度条上的步骤达到 100% 时，微调过程完成。你可以查看已用时间和 tokens。

图表

随着训练进行，会更新四个实时图表：

1. 训练损失 - 原始值、EMA 平滑线以及运行平均参考线

2. 学习率 - 学习率调度曲线

3. 梯度范数 - 随步数变化的梯度范数

4. 评估损失 - 仅在你配置了评估拆分时显示

每个图表都有设置（齿轮图标），包含：

选项

默认值

查看窗口

最近 N 步滑块

EMA 平滑

0.6

显示原始值

开启

显示平滑值

开启

显示平均线

开启

缩放（按系列）

线性 / 对数

离群值裁剪

不裁剪 / p99 / p95

配置文件

所有训练配置都可以保存并重新加载为 YAML 文件。文件会自动命名为：

YAML 结构分为三个部分：

这使得复现实验、共享配置或对实验进行版本控制变得很容易。

数据配方 - 快速入门

Unsloth 数据配方 允许你上传 PDF 或 CSV 等文档，并将它们转换为可用的数据集。通过图节点工作流可视化地创建和编辑数据集。

配方页面是主要入口。配方保存在浏览器本地，因此你可以稍后回来继续处理已保存的工作。你可以在这里创建一个空白配方，或打开一个引导式学习配方。

Data Recipes 遵循相同的基本流程。你打开配方页面，创建或选择一个配方，在编辑器中构建工作流，进行验证并运行预览，然后在输出看起来正确后运行完整数据集。添加种子数据和生成块，验证工作流，预览样例输出，然后运行完整数据集构建。Unsloth Data Recipes 由 NVIDIA 提供支持 DataDesigner.

从整体来看，一个典型的工作流应该如下所示：

1. 打开配方页面。

2. 创建一个新配方或打开一个现有配方。

3. 添加块以定义你的数据集工作流。

4. 点击 验证 以尽早发现配置问题。

5. 运行预览以快速检查样例行。

6. 在配方准备好后运行完整数据集构建。

7. 在图中或 执行 视图中实时查看进度和输出以了解更多细节。

8. 在 Studio 中选择生成的数据集，并微调模型。

导出 - 快速入门

使用 Unsloth Studio 的“导出”来导出、保存或将模型转换为 GGUF、Safetensors 或 LoRA，用于在 Unsloth、llama.cpp、Ollama、vLLM 等中进行部署、共享或本地推理。导出已训练的检查点或转换任何现有模型。

你可以在这里阅读我们关于使用 Unsloth Studio 导出模型的详细教程/指南：

聊天 - 快速入门

Unsloth Studio 聊天 让你能够在电脑上 100% 离线运行模型。可运行 Hugging Face 上或本地文件中的 GGUF 和 safetensors 等模型格式。

• 下载 + 运行 任何模型，例如 GGUF、微调适配器、safetensors 等。

• 比较 不同模型的 输出并排显示

• 上传 在提示词中加入文档、图像和音频

• 调整 推理 设置，例如：temperature、top-p、top-k 和系统提示词

你可以在这里阅读我们关于使用 Unsloth Studio 运行模型的详细教程/指南：

视频教程

高级设置

CLI 命令

Unsloth CLI（cli.py）提供以下命令：

项目结构

API 参考

所有端点都需要有效的 JWT Authorization: Bearer <token> 请求头（除 /api/auth/* 和 /api/health).