概览
Unsloth 提供两个主要界面：用于本地模型工作流的 Web UI Unsloth Studio，以及代码包 Unsloth Core。Studio 支持模型发现、推理、数据集准备、训练、强化学习、可观测性、导出和兼容 API 端点。仓库还介绍了本地智能体、MCP 客户端、外部 API 提供商、vLLM 和 Ollama 的集成。
主要功能
- 用于本地推理、训练、数据集准备、监控和导出的测试版 Web UI
- 代码化的 Unsloth Core 包
- 支持文本、音频、嵌入和视觉工作流
- GGUF、LoRA 适配器和 safetensors 模型处理
- LoRA、QLoRA、全量微调、强化学习、预训练、4 位、16 位和 FP8 工作流
- OpenAI 兼容的 /v1/chat/completions 和 /v1/responses 端点
- Anthropic 兼容的 /v1/messages 端点
- 通过 unsloth start 命令集成智能体
- 可选启用的 MCP 端点，可控制模型、训练、Recipes、检查点和导出
- Web 和 PDF 搜索、工具调用以及沙箱或制品代码执行
- 使用相同提示词进行模型比较
- 多 GPU 和 GGUF 硬件放置控制
- 训练损失和 GPU 使用率可观测性
- 连接 OpenAI、Anthropic、vLLM 和 Ollama
要求、安装和快速入门
在 macOS、Linux 或 WSL 上安装 Unsloth Studio，可运行 `curl -fsSL https://unsloth.ai/install.sh | sh`。在 Windows PowerShell 上，可运行 `irm https://unsloth.ai/install.ps1 | iex`。同时标识了 Docker 镜像 `unsloth/unsloth`。对于 Linux 或 WSL 上的 Unsloth Core，安装 uv，创建并激活 Python 3.13 环境，然后运行 `uv pip install unsloth --torch-backend=auto`。Windows Core 设置同样使用 Python 3.13 和 uv。AMD 和 Intel 安装需要参考平台特定文档。
用法
使用 `unsloth studio -p 8888` 启动 Studio；默认绑定至 localhost。对于本地智能体，启动 Studio、加载模型、打开项目目录，然后运行受支持的命令，例如 `unsloth start claude` 或 `unsloth start codex`。仓库还记录了用于子智能体的 `unsloth start claude --as-subagent --model unsloth/model-GGUF:quant`。使用 `unsloth studio --secure` 通过 Cloudflare HTTPS 隧道访问，或使用 `-H 0.0.0.0` 进行原始网络绑定，但需配置防火墙。
模型兼容性与使用场景
提供的记录列出了 Kimi、Gemma、Qwen、DeepSeek、GLM、gpt-oss、Llama、Mistral、Phi、嵌入、视觉和文本转语音模型系列。Studio 可以搜索、下载和运行 GGUF 文件、LoRA 适配器和 safetensors。README 声称支持训练和强化学习的模型超过 500 个。兼容性因模型格式、操作系统、硬件后端和工作流而异；完整兼容性矩阵可通过项目文档获取，而非所提供的元数据。
许可证与风险说明
仓库元数据声明 Apache-2.0 SPDX 许可证。依赖项、模型权重、数据集和第三方服务的详细许可证条款未在仓库元数据中说明，且可能与仓库自身许可证不同。
发布与维护
提供的 README 重点介绍了 AMD 训练支持、扩展的 GGUF 硬件控制、本地智能体连接、MCP 控制端点、推理可靠性工作、新模型集成、嵌入微调、更长上下文强化学习、Triton 内核、打包改进，以及 FP8 或视觉强化学习。正式版本号和发布日期未在所提供的仓库记录中说明。