Unsloth の本業こそ、トレーニングを速く・軽くすることだった

モデルのファインチューニングを行う人なら、この名前を知らない人はいないでしょう。もともとはファインチューニングを高速化するためのオープンソースフレームワークで、看板数字を長く掲げてきました：最大2倍の高速化、VRAM使用量70%削減、精度はそのまま。GitHub では7万スターを獲得しています（当サイトで確認済み）。

つまり、デスクトップ版のトレーニング機能は、従来のものをグラフィカルインターフェースに移植したものです。同じコードリポジトリの自己紹介文は、今では「モデルの実行とトレーニングのためのローカルインターフェース」に変わっています。

ファイルをドラッグ＆ドロップするだけでファインチューニング。コードは不要

PDF、CSV、JSON をドロップするだけで学習を始められます。学習方法は3種類に対応：元モデルには触れず小さな「パッチ」だけを学習する LoRA、モデル全体を再調整する全量ファインチューニング、そしてゼロからのプリトレーニングです。複数GPUにも対応し、テキスト、画像、拡散、音声モデルまで学習できます。

画像モデルの学習はさらに具体的です。SDXL、FLUX.2、Qwen-Image、Z-Image などの画像生成モデルに独自の LoRA を学習させることができ、素材はあなた自身の画像データです。内蔵の Studio で画像にテキストラベルを付け、パッチサイズを選択して「開始」をクリックします。

画像生成用 LoRA を学習するための完全なインターフェース。左側でベースモデル（デモでは FLUX.1-dev）を選択し、この構成が16GB の VRAM を使用すると表示されています。その下にはドラッグ＆ドロップされた16枚の学習画像があります。右側は今回のパラメータ（500ステップ、パッチサイズ16、解像度512）と、過去数回の実行記録。各記録には損失値と「アダプター保存済み」が続いています。

学習結果はこのソフトウェアに閉じ込められることはありません：GGUF や NVFP4 などの汎用形式にエクスポートして、他の環境でも引き続き使用できます。

ただし、動画生成の13秒はデータセンター向けGPUでの結果

公式は生成機能に関して1つの数字を発表しています：MiniMax-H3 で960×544、124フレーム、8ステップの動画を生成する際、所要時間が70秒台から13秒に短縮されたというものです。

生成できるのは動画だけではありません。FLUX、Z-Image、LTX、Wan などのモデルも実行でき、自分で学習した LoRA を組み込むことも可能です。ゼロからの生成に加えて、画像編集、部分的な再描画、エッジに沿った拡張、拡大、そして参照画像に基づく編集もできます。

音声も同じウィンドウで扱えます。音声からテキスト、テキストから音声への変換をローカルで実行可能。Whisper、Qwen3-ASR などに対応し、これらも同様にトレーニングできます。

音声合成のインターフェース。左側に読み上げたいテキストを入力すると、右側に音声バーが生成されます。デモではスペイン語の文章が読み上げられ、長さは2秒です。上部の「生成 / 文字起こし」の2つのタブで方向を切り替え、右上には「トレーニング」ボタンもあります。つまり、この音声モデルも自分で学習できるということです。

ローカルモデルが最も失敗しやすいのはツール呼び出し

自分のパソコンで動くモデルは、一般的にクラウド上のものよりサイズが小さいです。小さいモデルは他のタスクでは問題ありませんが、ツール呼び出しになると失敗しがちです。パラメータの形式を間違えたり、同じ動作で無限ループに陥ったり、本来隠されるべき内部マーカーをそのままダイアログに出力してしまったりします。

Unsloth はこの3つの失敗パターンに対して、それぞれ対策を用意しています：

コード実行は分離されたサンドボックス内で Bash と Python を実行し、エラーが発生してもシステムに害を及ぼすことはありません。

権限設定は Claude Code を明確に意識

この設計は明らかに Claude Code（Anthropic 製のコマンドラインで動作するコーディングエージェント）のアプローチを参考にしています。ツールを呼び出すすべてのモデルは権限管理の対象です：あなたの承認なしに、モデルも Unsloth もあなたのファイルにアクセス・変更したり、インターネットに接続したりすることはできません。厳しさのレベルは自分で選べます。全4段階です。

この4段階のインターフェース上の実際の表示。デモではデフォルトで2番目の「自動審査」に設定されています。4番目の説明は「制限なし、確認プロンプトなし、コードサンドボックス無効」です。

さらに、Claude Code をローカルモデルに接続可能

コマンド1つで完了します。Unsloth を起動し、モデルをロードして、プロジェクトフォルダを開き、次のコマンドを実行するだけです。

unsloth start claude

公式がこの方法で接続できるとしているのは、Claude Code、Codex、Hermes Agent、OpenClaw、OpenCode、そして Unsloth 自身のインターフェースです。つまり、普段使っているコーディングエージェントを変更する必要はなく、背後で動作するモデルをクラウドから自分のマシンのものに切り替えるだけです。

より細かい接続方法もあります。発表動画でデモされていた方法です：全体を置き換えるのではなく、一部のタスクだけをローカルモデルに任せるというものです。Claude Code は従来どおり自身のモデルを使用しつつ、コマンドにパラメータを1つ追加すると、あなたのマシン上で動作する別のヘルパーが追加されます。その後、Claude Code 内で「ローカルエージェントにこの関数を実装させて」と指示すると、その小さなタスクはローカルで実行されます。インターフェースでコーディングツール、モデル、量子化レベルを選択すると、コマンドが自動生成され、コピーしてすぐに使用できます。

起動後はパソコンの前で待つ必要はありません。公式の無料 Cloudflare トンネルを使用して HTTPS アドレスを作成すれば、スマートフォンから進行状況を確認できます。パブリックネットワークを使いたくない場合は、ローカルネットワークにバインドすることも可能です。

検索機能も2段階あります。通常検索はモデルが考えながらその場で検索します。ディープリサーチは、まず計画を立て、最適と思われる情報源を探し、最後に完全な引用付きのレポートを提出します。これらの検索は回数無制限で、すべてあなたのマシンから実行されます。

他にもよく使う機能が2つあります。自分のドキュメントライブラリを接続して質問応答（RAG）、そして MCP サービスを接続して外部ツールを使用することです。同じインターフェースでクラウドモデルにも接続でき、OpenAI、Anthropic、Ollama、llama.cpp、vLLM すべてに対応。ローカルとクラウドをソフトウェアを切り替えることなく行き来できます。

Unsloth 自身が「遅くなる条件」を明記

FAQ には「なぜ推論が遅くなることがあるのか」という質問があります。その回答は公式自身によって書かれています：

ウェブ検索、コード実行、ツール呼び出しの自己修復には時間がかかります。これらをオフにすれば、他の llama.cpp アプリケーションと同じ速度になるはずです。それでも遅い場合は、issue を開いてください。

Unsloth 公式ドキュメント · FAQ

開発者が自ら「どのような条件下で遅くなるか」を書き、その回避方法も併記しているのは、発表ページとしては珍しいことです。

同じ FAQ には、さらに2つの重要な情報があります：テレメトリは収集しない。GPUモデルとデバイスの検出のみ行い、何が実行できるかを判断するためです。アプリ全体は完全にオフラインで動作可能。GPUのみ対応ではない。CPU と Mac でも動作し、NVIDIA、Intel、AMD、Mac のチップすべてがサポート範囲内ですが、古すぎるハードウェアでは動作が困難な可能性があります。以前ダウンロードしたモデルは自動的に認識され、再ダウンロードの必要はありません。

インストール方法と対応デバイス

3ステップ：ダウンロードしてインストール。上部のモデルドロップダウンまたは「モデルライブラリ」タブで、デバイスに合ったモデルと量子化レベルを選択してダウンロード。ダウンロードが完了したら、直接タイピングして会話を始められます。

モデル選択パネル：「おすすめ」「ローカル済み」「すべて」「人気」でフィルタリングできます。各モデルの後ろにはサイズが表示され、20GB台から2000GB台まであり、このマシンに収まるかどうかが一目でわかります。

モデルライブラリの各項目にはいいね数とダウンロード数が表示され、右側は選択したモデルの詳細（サイズ、オープンソースライセンス、更新日時）です。デモで表示されているものは137GB で、MIT ライセンスです。

リリースノートの謝辞には、NVIDIA と Hugging Face が今回のリリースに参加したことが記載されています。また、Jan から受けたインスピレーション、そして llama.cpp、PyTorch、stablediffusion.cpp といった基盤を提供してくれたプロジェクトにも感謝が述べられています。この一文が、このインターフェースの出自を物語っています。

PDF、CSV、JSON をドロップして学習方法を選択：LoRA は小さなパッチを追加するだけで元モデルは不変。または全量ファインチューニング、ゼロからのプリトレーニング。複数GPU対応、テキスト・画像・音声モデルを学習可能。

小互が製品マニュアルをドロップし、LoRA を選択：元モデルはそのまま、学習されるのは抜き差し自由な数十MB のパッチ。

動画生成について、Unsloth は自己測定の数字を発表：MiniMax-H3 での動画生成が70秒台から13秒へ。

ローカルモデルはサイズが小さく、ツール呼び出しで失敗しやすい：パラメータ形式の誤り、無限ループ、内部マーカーの出力など。Unsloth は自動修正・再試行と分離サンドボックスを装備。ファイルアクセスとネットワーク接続はデフォルトで承認が必要。4段階の厳格さから選択可能で、Claude Code を意識した設計。

無料・オープンソース、現在 Beta 版。3大プラットフォーム対応。NVIDIA、Intel、AMD、Mac の GPU・CPU すべてサポート。古いハードウェアでは動作が困難な可能性。すでに Claude Code や Codex などのエージェントを利用している場合、コマンド1つでバックエンドを自機のモデルに切り替え可能。