--- title: "Unslothとは？読み方・使い方とDesktop・Studio・Coreの違い【2026年9月】" url: "https://www.issoh.co.jp/tech/details/8159/" published: 2025-08-12 updated: 2026-09-29 categories: ["LLM・RAG"] publisher: "株式会社一創" --- # Unslothとは？読み方・使い方とDesktop・Studio・Coreの違い【2026年9月】 Unsloth（アンスロス）は、LLMのファインチューニングを少ないGPUメモリで速く回すためのオープンソースです。2026年9月時点では、デスクトップアプリの「Unsloth Desktop」、ブラウザで操作する「Unsloth Studio」、Pythonから呼ぶ「Unsloth Core」の3形態で提供されています。この記事では、読み方と開発元、3形態の選び方、必要なVRAM、GUIとコードそれぞれの使い方、メモリ不足の対処までを、公式ドキュメントとPyPI上のソースコード（unsloth 2026.9.12）で確かめた内容で整理します。 ## まとめ：Unslothの要点 - **読み方**は「アンスロス」。開発元は米サンフランシスコのUnsloth AI（2023年創業・Y Combinator 2024年夏期）です。 - **料金は無料**。本体はApache-2.0、Studio UIなど一部のコンポーネントはAGPL-3.0のデュアルライセンスです。 - **形態は3つ**。コードを書かずに学習するならDesktop、サーバーに入れてブラウザから使うならStudio、学習を自動化するならCoreです。 - **公称値**は「2倍速・VRAM 70%削減・精度低下なし」。ただしモデルごとに1.5倍・50%削減など幅があり、いずれも開発元の計測です。 - **VRAMの目安**は、QLoRA（4bit）で8Bモデルが6GB、70Bモデルが41GB（公式の最小値）です。 - 学習データの形式や件数は[ファインチューニング用データセットの作り方](/tech/details/2790/)、手法の比較は[PEFTとLoRAの違い](/tech/details/8203/)で扱っています。 ## Unslothの読み方・開発元・ライセンス ### 読み方「アンスロス」と名前の由来 Unslothは「アンスロス」と読みます。sloth（ナマケモノ、怠惰）に否定の接頭辞un-を付けた造語で、ロゴとドキュメントのアイコンにもナマケモノが使われています。「遅い学習を速くする」という製品の狙いがそのまま名前になっています。公式リポジトリを探すときは、`unslothai/unsloth`で検索すると確実です。 ### 開発元Unsloth AIの概要 開発元はUnsloth AIです。[Y Combinatorの企業ページ](https://www.ycombinator.com/companies/unsloth-ai)では、創業2023年、バッチはSummer 2024、所在地はサンフランシスコ、チーム12名と記載されています。創業者はDaniel HanとMichael Hanの兄弟で、Daniel HanはNVIDIAでアルゴリズムの高速化に携わっていた経歴を公開しています。2026年9月29日時点で、GitHubリポジトリのスターは約7.7万、Hugging Faceの`unsloth`組織が公開するモデルは1,460件です。量子化済みのモデルを大量に配布している組織でもあるため、Unslothを使わない人もHugging Face上でこの名前を目にします。 ### 料金とライセンス：本体はApache-2.0、Studio UIはAGPL-3.0 Unslothは無料で使えます。[GitHubのREADME](https://github.com/unslothai/unsloth)では「Apache 2.0とAGPL-3.0のデュアルライセンス」と説明されており、PyPIで配布される本体パッケージはApache-2.0、Unsloth Studio UIなど一部のオプションコンポーネントはAGPL-3.0です。Core（ライブラリ）を社内の学習パイプラインに組み込むだけならApache-2.0の条件で扱えます。AGPL-3.0の対象部分を改変してネットワーク経由で利用させる場合は、利用者に対応するソースを提供する義務を確認してください。この条件は社外への提供に限定されません。 ## Unsloth Desktop・Studio・Coreの違いと選び方 2026年3月17日にWeb UIのStudio（ベータ）、8月11日にネイティブアプリのDesktopが公開され、従来のPythonライブラリはCoreと呼ばれるようになりました。3つとも同じGitHubリポジトリで開発されています。 | 形態 | 操作 | 導入方法 | 向いている用途 | | ------- | --------- | ------------------- | ------------ | | Desktop | アプリのGUI | OS別インストーラー | 個人PCで試す | | Studio | ブラウザのGUI | install.sh / Docker | GPUサーバーを共用する | | Core | Pythonコード | pip / uv | 学習の自動化・CI | DesktopはmacOS・Windows・Linux（x64とARM64のdeb、AppImage）向けに配布され、Windows ARM64版もあります。Studioは`unsloth studio`コマンドでローカルにWebサーバーを立て、`--secure`を付けるとCloudflareトンネル経由のHTTPSで外部から開けます。Dockerイメージは`unsloth/unsloth`、AMD GPU向けは`unsloth/unsloth-rocm`です。 選び方ははっきりしています。初めて触るならDesktop、研究室や部署でGPUサーバー1台を共有するならStudio、学習を再現可能なスクリプトとしてGitで管理したいならCoreです。DesktopとStudioは2026年9月時点でもリリース名に`-beta`が付き、9月だけで10回以上更新されています。本番の定期学習ジョブはCoreでパッケージのバージョンを固定して組み、GUIは実験と確認に使う分担が安全です。 ## Unslothが速く省メモリな理由と公称値の読み方 ### Tritonカーネルと手書きの逆伝播 Unslothは、Transformerの主要な演算をOpenAIのTriton言語で書き直しています。unsloth 2026.9.12のソースを見ると、`unsloth/kernels/`にRMSNorm、RoPE、SwiGLU、GeGLU、クロスエントロピー損失などの実装が並び、`@triton.jit`付きの関数が18個あります。LoRAを適用したMLPやQKV射影は`torch.autograd.Function`を継承したクラスで、逆伝播（`backward`）を自動微分に任せず手で書いています。中間テンソルを保存しない分だけメモリが減り、近似を使わないため精度が落ちないというのが開発元の説明です。 もう1つの柱が、`use_gradient_checkpointing = "unsloth"`で有効になる独自の勾配チェックポイントです。公式ノートブックのコメントでは「VRAMを30%減らし、2倍大きいバッチが入る」とされています。4bit量子化したベースモデルにLoRAを載せるQLoRAの仕組みそのものは[QLoRAの仕組みとVRAM目安](/tech/details/15944/)で解説しています。 ### モデル別の公称速度・VRAM削減率と計測条件 READMEは「2倍速・VRAM 70%削減・精度低下なし」をうたっていますが、同じREADMEの無料ノートブック一覧を見ると数字はモデルごとに違います。 | ノートブック | 速度 | メモリ削減 | | --------------------- | ---- | ----- | | gpt-oss (20B) | 2倍 | 70% | | gpt-oss (20B) GRPO | 2倍 | 80% | | Llama 3.1 (8B) | 2倍 | 70% | | Qwen3.5 (4B) Vision | 1.5倍 | 60% | | Gemma 4 (E2B) Vision | 1.5倍 | 50% | | EmbeddingGemma (300M) | 2倍 | 20% | 計測したのは開発元です。[公式のベンチマークページ](https://unsloth.ai/docs/basics/unsloth-benchmarks)では比較対象を「Hugging Face＋Flash Attention 2」とし、H100でAlpacaデータ、バッチサイズ2、rank 32のQLoRAという条件を明記しています。速度とは別条件（バッチサイズ1・rank 32で全線形層にQLoRA）の系列長ベンチマークでは、Llama 3.1（8B）を16GBのGPUで学習した場合、最大コンテキスト長はUnslothが40,724トークン、比較対象が2,551トークンです。差がいちばん大きく出るのは速度より扱える系列長です。一方、速度やメモリ削減率はモデルと学習条件で変わり、上の表の20%削減はEmbeddingGemma（300M）の公称値です。 自社のGPUで効果を確かめるなら、同じデータとバッチサイズで両方を回し、`torch.cuda.max_memory_allocated()`とステップあたりの秒数を比べます。公式ページは、`torch.compile`のウォームアップに5分前後かかるため、読み込みが終わった後のスループットで測るよう注意しています。 ## Unslothに必要な環境とVRAMの目安 ### OS・GPU・Pythonの要件 - **Desktop・Studioでの学習**：NVIDIA、AMD、Intel GPUとMac（MLX）に対応。PythonはStudioの手動導入で3.11以上3.14未満。GPUが無くてもチャットとData Recipes（データセット作成）は動きます。 - **Coreでの学習**：LinuxとWindows（WSL含む）。NVIDIAはCUDA Compute Capability 7.0以上（V100、T4、RTX 20以降、A100、H100など）。AMDとIntelは専用ガイドの手順で導入し、Apple Silicon（MLX）対応は「開発中」と明記されています。 - **依存ライブラリ**：unsloth 2026.9.12は`torch` 2.4以上2.13未満、`trl` 0.24.0以下、`transformers` 5.5.0以下を要求します。既存環境に入れると版が動くので、専用の仮想環境を作ってください。 Macで学習したい場合はCoreではなくDesktopかStudioを選びます。手元にGPUが無ければ、公式の無料Colabノートブックか、[RunpodなどのGPUクラウド](/tech/details/9628/)で時間単位に借りる方法があります。 ### モデル規模ごとの必要VRAM 公式ドキュメント（[Unsloth Requirements](https://unsloth.ai/docs/get-started/fine-tuning-for-beginners/unsloth-requirements)）が「絶対最小値」として示す値の抜粋です。バッチサイズや系列長を増やすとこれより多く必要になります。 | パラメータ数 | QLoRA（4bit） | LoRA（16bit） | | ------ | ----------- | ----------- | | 3B | 3.5GB | 8GB | | 8B | 6GB | 22GB | | 14B | 8.5GB | 33GB | | 32B | 26GB | 76GB | | 70B | 41GB | 164GB | 16GBのGPU（T4やRTX 4060 Ti 16GBなど）では8B〜14BのQLoRAが候補になります。系列長やモデル構造によっては8Bでも余裕がなくなるので、バッチサイズ1から始めて増やします。LoRA（16bit）の必要VRAMはこの表でQLoRAの約2.3〜4倍あり、3B程度ならコンシューマーGPUでもLoRAで学習できますが、8B以上を16GB前後のGPUで扱うならQLoRAを選びます。 ## Unslothの使い方1：Desktop・StudioのGUI学習手順 Studioのホーム画面はModel・Dataset・Parameters・Training/Configの4領域に分かれていて、上から順に埋めれば学習が始まります。 1. **起動**：Desktopはアプリを開くだけです。Studioは`curl -fsSL https://unsloth.ai/install.sh | sh`（WindowsはPowerShellで`install.ps1`）で導入し、`unsloth studio -H 0.0.0.0 -p 8888`で起動して、初回にパスワードを設定します。 2. **モデルと手法**：Text・Vision・Audio・Embeddingsから種類を選び、Hugging Faceのモデル名を検索して指定します。手法はQLoRA・LoRA・Full Fine-tuningの3択で、ハイパーパラメータには既定値が自動で入ります。GGUF形式のモデルは推論専用で、学習には使えません。 3. **データセット**：Hugging Face Hubから検索するか、JSONL・JSON・CSV・Parquetのほか、PDFやDOCXをアップロードします。列の対応付けと学習・検証の分割も画面で設定できます。 4. **学習と書き出し**：実行中は損失の推移とGPU使用状況がライブで表示されます。終わったらExport画面でGGUFなどに変換し、同じアプリのチャット画面で試せます。 Llama系やGemma系のようなゲート付きモデルは、Hugging Faceのアクセストークンを入力しないと読み込めません。 ## Unslothの使い方2：Core（Python）のQLoRA学習手順 ### uvでのインストール 公式ドキュメントはuvでの導入を推奨しています。`--torch-backend=auto`を付けると、GPUに合ったPyTorchのビルドを選んで入れます。 ``` curl -LsSf https://astral.sh/uv/install.sh | sh uv venv unsloth_env --python 3.13 source unsloth_env/bin/activate uv pip install "unsloth==2026.9.12" "trl==0.24.0" --torch-backend=auto ``` 版は、この記事のコードを確認したunsloth 2026.9.12と、それが対応するTRLの上限0.24.0に固定しています。最新版を使うなら版指定を外します。uvを使わない場合は`pip install unsloth`でも入ります。 ### モデルの読み込みとLoRAアダプタの設定 読み込みは`FastLanguageModel.from_pretrained`、アダプタの付与は`FastLanguageModel.get_peft_model`で行います。引数名と既定値はunsloth 2026.9.12のソースで確認しました。 ``` from unsloth import FastLanguageModel model, tokenizer = FastLanguageModel.from_pretrained( model_name = "unsloth/Llama-3.1-8B", max_seq_length = 2048, load_in_4bit = True, # QLoRA。False にすると16bitのLoRA ) model = FastLanguageModel.get_peft_model( model, r = 16, lora_alpha = 16, lora_dropout = 0, # 0 が最適化された経路 target_modules = ["q_proj", "k_proj", "v_proj", "o_proj", "gate_proj", "up_proj", "down_proj"], use_gradient_checkpointing = "unsloth", random_state = 3407, ) ``` `from unsloth import ...`は`trl`や`transformers`より先に書きます。Unslothは読み込み時にこれらのライブラリへパッチを当てるため、順序が逆だと最適化が効きません。`r`と`lora_alpha`の決め方は[LoRAの仕組みと使い方](/tech/details/8963/)で扱っています。 ### SFTTrainerでの学習と保存 学習ループはHugging FaceのTRLをそのまま使います。以下はTRL 0.24の引数名に合わせたコード例で、データセットは`text`列に整形済みの文章が入っている前提です。実行前に、作業ディレクトリへ`train.jsonl`を用意してください。各行は`{"text": "学習させる文章"}`というJSONオブジェクトです。 ``` from datasets import load_dataset from trl import SFTConfig, SFTTrainer dataset = load_dataset("json", data_files = "train.jsonl", split = "train") trainer = SFTTrainer( model = model, processing_class = tokenizer, train_dataset = dataset, args = SFTConfig( dataset_text_field = "text", max_length = 2048, per_device_train_batch_size = 2, gradient_accumulation_steps = 4, max_steps = 60, learning_rate = 2e-4, optim = "adamw_8bit", logging_steps = 1, seed = 3407, output_dir = "outputs", report_to = "none", ), ) trainer.train() model.save_pretrained("lora_model") # LoRAアダプタだけを保存 tokenizer.save_pretrained("lora_model") ``` アダプタのファイルは数十〜数百MBで、元のモデルと組み合わせて読み込みます。 ### GGUF・マージ済みモデルへの書き出し Ollamaやllama.cppで動かすならGGUF、vLLMで配信するならアダプタを統合した16bitモデルに書き出します。 ``` # llama.cpp / Ollama 向け（q4_k_m は公式の推奨量子化） model.save_pretrained_gguf("model_gguf", tokenizer, quantization_method = "q4_k_m") # vLLM など向け：LoRA をベースモデルに統合して16bitで保存 model.save_pretrained_merged("model_merged", tokenizer, save_method = "merged_16bit") ``` `save_method`には`"lora"`、`"merged_16bit"`、`"merged_4bit"`を指定できます。4bitでの統合は精度が落ちるため、ソース上でも`merged_4bit_forced`と明示しない限り止まる作りです。GGUFの量子化形式の違いは[LLM量子化の仕組みとGGUFの違い](/tech/details/13791/)、統合後の配信は[vLLMの仕組みと使い方](/tech/details/15786/)を参照してください。 ## Unslothで学習できるモデルと手法 READMEに挙がる学習手法は、LoRA、QLoRA、フルファインチューニング、事前学習、強化学習（GRPO、DPO）、FP8学習です。GRPOは報酬関数で推論能力を伸ばす手法で、仕組みは[GRPOとは](/tech/details/5506/)で解説しています。 無料ノートブックが用意されている学習対象は、gpt-oss（20B）、Qwen3・Qwen3.5、Gemma 4、Llama 3.1・3.2、EmbeddingGemma、Orpheus-TTSなどです。テキストのLLMに加えて、画像を扱う視覚言語モデル、埋め込みモデル、音声合成（TTS）、画像・動画の拡散モデルも学習できます。READMEのニュース欄に並ぶDeepSeek-V4やGLM-5.2のように、配布されたGGUFを「動かす」ことが主目的の大型モデルもあるため、学習できるかどうかは対象モデルのノートブックかドキュメントの有無で確かめてください。一覧は公式の[Unsloth Notebooks](https://unsloth.ai/docs/get-started/unsloth-notebooks)にまとまっています。 ## メモリ不足（OOM）と導入時のトラブル対処 - **学習中のOOM**：公式ドキュメントが最初に挙げる原因はバッチサイズの過大です。`per_device_train_batch_size`を1〜2に下げ、減らした分は`gradient_accumulation_steps`で補います。それでも足りなければ`max_seq_length`を短くし、`load_in_4bit = True`にします。 - **評価ループでのOOM**：`SFTConfig`に`fp16_full_eval = True`（bf16対応GPUなら`bf16_full_eval = True`）を指定すると、評価時のメモリがおよそ半分になります。 - **保存時のOOM**：`save_pretrained_merged`の`maximum_memory_usage`（既定0.75）を0.5などに下げます。 - **インストール後に既存環境が壊れた**：`pip install unsloth`はtorchやtransformersの版を入れ替えます。プロジェクトごとに仮想環境を分け、Dockerイメージ`unsloth/unsloth`を使うと依存の衝突を避けられます。 - **Studioを外部公開したい**：`--secure`や`-H 0.0.0.0`で公開するとサーバー側のツール実行も有効なままです。READMEは強いパスワードの設定と、必要に応じた`--disable-tools`を勧めています。 ## Unslothを選ばないほうがよい場面 次の条件に当てはまるなら、Unslothを入れる前に別の手段を検討してください。 - **社内文書を答えさせたいだけ**：知識の追加が目的ならファインチューニングよりRAGのほうが更新も検証も安く済みます。判断基準は[RAGとファインチューニングの違いと使い分け](/tech/details/4650/)にまとめています。 - **MacでCoreを使った学習パイプラインを組みたい**：CoreのApple Silicon対応は開発中です。MacではDesktop・Studio経由の学習に限られます。 - **Studioを改変して社外向けのサービスにしたい**：Studio UIはAGPL-3.0です。ソース開示を避けたいなら、Apache-2.0のCoreだけで自前のUIを作ります。 - **GGUFしか手元にないモデルを学習したい**：Unsloth StudioはGGUFを推論専用として扱い、学習の対象から外しています。Unslothで学習するならsafetensors形式などの元の重みを入手してください。なお、Transformersには対応アーキテクチャのGGUFを逆量子化して通常のモデルとして読み込む機能があります。 逆に、単一のコンシューマーGPUやColabの無料枠で7B〜14BクラスのモデルをQLoRAで学習するなら、UnslothはTRL単体より先に試す価値のある選択肢です。学習環境全体の組み方は[ファインチューニングの実行環境と実装](/tech/details/3955/)で解説しています。 ## Unslothに関するよくある質問 ### Unslothの読み方は？ 「アンスロス」です。sloth（ナマケモノ）に否定のun-を付けた造語で、学習を速くするという製品の目的を表しています。 ### Unslothは無料ですか？ 無料です。本体はApache-2.0、Studio UIなど一部のコンポーネントはAGPL-3.0のオープンソースで、DesktopもGitHub Releasesから無料で入手できます。GPUを借りる場合はクラウドの利用料が別にかかります。 ### Unsloth Studioとは何ですか？ コードを書かずにモデルの学習・チャット・書き出しを行える、ローカルで動くWeb UIです。2026年3月にベータ公開されました。同じ機能をネイティブアプリにしたものがUnsloth Desktopです。 ### UnslothはMacで使えますか？ DesktopとStudioは、macOS 12以降のMacで学習とMLX・GGUFでの推論に対応しています。Python版のCoreは、2026年9月時点でApple Silicon対応が開発中です。 ### Unslothには何GBのVRAMが必要ですか？ 公式の最小値は、QLoRA（4bit）で8Bモデルが6GB、14Bモデルが8.5GB、70Bモデルが41GBです。16bitのLoRAでは8Bモデルでも22GBが必要です。 ## 関連記事 - [QLoRAとは？4bit量子化＋LoRAの仕組み・VRAM目安・実装手順と採用判断を解説【2026年版】](/tech/details/15944/) - [PEFTとLoRAの違いとは？仕組み・使い方・QLoRA/DoRAとの比較を実装例つきで解説](/tech/details/8203/) - [ファインチューニングの実行環境と実装｜必要GPUと学習コード](/tech/details/3955/) - [ファインチューニング用データセットの作り方｜サンプル形式・件数・品質の要件](/tech/details/2790/) - [LLM量子化とは？仕組みとGPTQ・AWQ・GGUFの違い・企業の採用判断を解説【2026年版】](/tech/details/13791/) --- 出典: [Unslothとは？読み方・使い方とDesktop・Studio・Coreの違い【2026年9月】]()（株式会社一創）