Lar
A Unsloth Studio lança a primeira plataforma local de ajuste fino de LLM visual, reduzindo o uso de VRAM em 70%
A Unsloth AI, renomada biblioteca de ajuste fino de alto desempenho, lançou oficialmente o Unsloth Studio. Essa interface visual de código aberto e sem necessidade de programação foi projetada para reduzir significativamente as dificuldades enfrentadas pelos engenheiros de software no ajuste fino de grandes modelos de linguagem (LLMs), permitindo que os desenvolvedores contornem totalmente as complexas configurações do ambiente CUDA e os altos custos de hardware.

A tecnologia subjacente ao Unsloth Studio utiliza um kernel de retropropagação personalizado escrito em Triton, alcançando um salto qualitativo em relação às estruturas padrão de ajuste fino:
Velocidade de treinamento duplicada: a eficiência do ajuste fino é aumentada em até duas vezes.
Uso de memória reduzido em 70%: reduz drasticamente a dependência da memória da GPU sem comprometer a precisão do modelo.
Compatível com GPUs de nível de consumidor: os desenvolvedores agora podem ajustar modelos com 8 a 70 bilhões de parâmetros (como Llama3.3 e DeepSeek-R1) em GPUs individuais de nível de consumidor, como a RTX 4090 ou 5090, tarefas que antes exigiam clusters com várias GPUs.
Esta plataforma integra todo o ciclo de vida da preparação, treinamento e implantação de dados em uma interface web intuitiva:
Receita visual de dados: Apresenta um fluxo de trabalho baseado em nós que suporta a ingestão automática de vários formatos, como PDF e JSONL, e pode utilizar o NVIDIA DataDesigner para transformar documentos não estruturados em conjuntos de dados de instruções estruturados.
Suporte ao aprendizado por reforço: Inclui suporte integrado para GRPO (Group-wise Relative Policy Optimization). Essa tecnologia, originária do DeepSeek-R1, permite treinar IA com recursos de raciocínio lógico em múltiplas etapas em hardware local, sem a necessidade de um “modelo crítico” adicional.
Exportação e implantação com um clique: Suporta a exportação para os formatos GGUF, vLLM ou Ollama, preenchendo de forma integrada a lacuna entre pontos de verificação de treinamento e ambientes de inferência de produção.
Com o lançamento do Unsloth Studio, o ajuste fino de modelos de grande porte está deixando de depender de SaaS baseados em nuvem, que são caros, para adotar um paradigma de desenvolvimento local mais privado e econômico. Ele não apenas oferece compatibilidade imediata com as séries Llama 4 e Qwen, mas também fornece ferramentas poderosas para o desenvolvimento de modelos personalizados com total propriedade da empresa.
Detalhes técnicos: https://unsloth.ai/docs/new/studio
Artigo relacionado
CEO da DeepMind, Hassabis: Durmo seis horas por dia, geralmente me sinto energético por volta da 1h
O Fortune recentemente publicou uma entrevista com Demis Hassabis, CEO da Google DeepMind, revelando sua abordagem incomum para descanso e produtividade. Hassabis revelou que dorme muito pouco, estruturando suas horas acordadas em dois blocos de trab
OpenAI e Anthropic disputam participação no mercado, apesar da queda na receita
Apesar de relatos recentes sugerirem que a OpenAI não atingiu suas metas de receita, o que gerou pressão sobre as ações do setor de tecnologia nesta terça-feira, os investidores privados em laboratóri
Conformidade com a regulamentação de veículos autônomos na Califórnia: uma nova era de multas, geocercas e 1 milhão de milhas
A Guident opera um veículo de transporte da AuveTech no sul da Flórida, administrando uma rota de quatro milhas em West Palm Beach e uma rota de uma milha em Boca Raton por meio de sua tecnologia de m
Recomendações de tópicos especiais relacionados
Comentários (1)
A Unsloth AI, renomada biblioteca de ajuste fino de alto desempenho, lançou oficialmente o Unsloth Studio. Essa interface visual de código aberto e sem necessidade de programação foi projetada para reduzir significativamente as dificuldades enfrentadas pelos engenheiros de software no ajuste fino de grandes modelos de linguagem (LLMs), permitindo que os desenvolvedores contornem totalmente as complexas configurações do ambiente CUDA e os altos custos de hardware.

A tecnologia subjacente ao Unsloth Studio utiliza um kernel de retropropagação personalizado escrito em Triton, alcançando um salto qualitativo em relação às estruturas padrão de ajuste fino:
Velocidade de treinamento duplicada: a eficiência do ajuste fino é aumentada em até duas vezes.
Uso de memória reduzido em 70%: reduz drasticamente a dependência da memória da GPU sem comprometer a precisão do modelo.
Compatível com GPUs de nível de consumidor: os desenvolvedores agora podem ajustar modelos com 8 a 70 bilhões de parâmetros (como Llama3.3 e DeepSeek-R1) em GPUs individuais de nível de consumidor, como a RTX 4090 ou 5090, tarefas que antes exigiam clusters com várias GPUs.
Esta plataforma integra todo o ciclo de vida da preparação, treinamento e implantação de dados em uma interface web intuitiva:
Receita visual de dados: Apresenta um fluxo de trabalho baseado em nós que suporta a ingestão automática de vários formatos, como PDF e JSONL, e pode utilizar o NVIDIA DataDesigner para transformar documentos não estruturados em conjuntos de dados de instruções estruturados.
Suporte ao aprendizado por reforço: Inclui suporte integrado para GRPO (Group-wise Relative Policy Optimization). Essa tecnologia, originária do DeepSeek-R1, permite treinar IA com recursos de raciocínio lógico em múltiplas etapas em hardware local, sem a necessidade de um “modelo crítico” adicional.
Exportação e implantação com um clique: Suporta a exportação para os formatos GGUF, vLLM ou Ollama, preenchendo de forma integrada a lacuna entre pontos de verificação de treinamento e ambientes de inferência de produção.
Com o lançamento do Unsloth Studio, o ajuste fino de modelos de grande porte está deixando de depender de SaaS baseados em nuvem, que são caros, para adotar um paradigma de desenvolvimento local mais privado e econômico. Ele não apenas oferece compatibilidade imediata com as séries Llama 4 e Qwen, mas também fornece ferramentas poderosas para o desenvolvimento de modelos personalizados com total propriedade da empresa.
Detalhes técnicos: https://unsloth.ai/docs/new/studio
CEO da DeepMind, Hassabis: Durmo seis horas por dia, geralmente me sinto energético por volta da 1h
O Fortune recentemente publicou uma entrevista com Demis Hassabis, CEO da Google DeepMind, revelando sua abordagem incomum para descanso e produtividade. Hassabis revelou que dorme muito pouco, estruturando suas horas acordadas em dois blocos de trab
OpenAI e Anthropic disputam participação no mercado, apesar da queda na receita
Apesar de relatos recentes sugerirem que a OpenAI não atingiu suas metas de receita, o que gerou pressão sobre as ações do setor de tecnologia nesta terça-feira, os investidores privados em laboratóri











