Unsloth Studio im Test

Ein Sprachmodell auf eigene Daten anzupassen war lange eine Aufgabe für Python-Skripte, eine NVIDIA-Karte und viel Geduld beim Einrichten. Unsloth Studio verlegt diese Arbeit in eine Weboberfläche, die auf dem eigenen Rechner startet, seit Juli 2026 auch auf AMD-Karten und auf Macs mit Apple Silicon. Aus dem reinen Trainingswerkzeug ist dabei die zentrale Anwendung des Projekts geworden. Das Repository mit über 69.000 Sternen beschreibt sich inzwischen selbst als lokale Oberfläche zum Ausführen und Trainieren von Modellen, die Bibliothek heißt darin Unsloth Core.

Wichtigste Funktionen

• Training ohne Python: Du wählst ein Modell, hängst den Datensatz an, stellst das Verfahren ein und startest den Lauf. Das Studio beherrscht LoRA und QLoRA, also das sparsame Nachtrainieren kleiner Zusatzgewichte statt des ganzen Modells, dazu vollständiges Training und bestärkendes Lernen mit GRPO. Der Speicherbedarf sinkt gegenüber Standardwerkzeugen um bis zu 70 %, Mixture-of-Experts-Modelle, die je Anfrage nur einen Teil ihrer Gewichte nutzen, trainieren bis zu 12x schneller.
• Data Recipes: Aus PDF, CSV oder DOCX baut das Studio strukturierte Trainingsdaten. Die Schritte hängst du in einem Knoten-Editor aneinander und siehst das Zwischenergebnis, bevor der Trainingslauf beginnt. Das ist der Teil eines Fine-Tuning-Projekts, den man sonst als eigenes Skript schreibt.
• Chat mit Werkzeugen: Nach dem Training prüfst du das Modell im selben Fenster, 2 Modelle stellst du mit derselben Frage nebeneinander. Der Chat liest Webseiten und PDF-Dateien, führt Code in einer abgeschotteten Umgebung aus und hält seit Juli 2026 mehrere Unterhaltungen parallel. Werkzeugaufrufe haben 4 Berechtigungsstufen, von Rückfrage bei jedem Aufruf bis Vollzugriff.
• Lokales Modell für Coding-Agenten: Das Studio stellt die geladenen Modelle über OpenAI- und Anthropic-kompatible Endpunkte bereit. Mit unsloth start claude hängst du Claude Code, Codex oder OpenCode an das lokale Modell, wahlweise als Unteragent neben dem gewohnten Cloud-Modell. Bei Bedarf schaltest du einen MCP-Endpunkt dazu, über den andere Programme Training, Datensätze und Export steuern.
• Hardware jenseits von NVIDIA: Seit dem 20.07.2026 trainiert Unsloth auch auf AMD-Karten unter Windows, WSL und Linux und führt Modelle dort aus. Auf Macs mit Apple Silicon läuft das Training über MLX, Intel-Grafik führt GGUF-Modelle über Vulkan beschleunigt aus.
• Export in gängige Formate: Fertige Modelle speicherst du als GGUF, als 16-Bit-Safetensors oder in den sparsameren Formaten NVFP4 und FP8. Danach laufen sie in llama.cpp oder vLLM weiter, ohne dass das Studio dafür gestartet sein muss.

Preise und Tarife

Das Studio und die Bibliothek kosten nichts, der Kern steht unter Apache-2.0, die Oberfläche unter AGPL-3.0. Bezahlt wird die Hardware. Für einen ersten Versuch reicht das Colab-Notebook, das Unsloth für das Studio bereitstellt und das in Googles kostenloser Umgebung läuft, für vertrauliche Unterlagen taugt dieser Weg allerdings nicht. Wer regelmäßig trainiert, kauft eine Karte oder mietet eine GPU-Maschine, etwa bei Hetzner oder Verda.

Daneben verkauft Unsloth weiterhin die Stufen Pro und Enterprise, laut Preisseite mit Multi-GPU bis 8 Karten, höherer Speicherersparnis und Training über mehrere Maschinen hinweg, beide ohne veröffentlichten Betrag und nur nach Anfrage. Diese Preisseite ist erkennbar alt, sie nennt als unterstützte Modelle noch Llama 1 bis 3 und Mistral, während das Projekt heute Gemma 4, Qwen3.6 und DeepSeek-V4 führt. Multi-GPU funktioniert laut Dokumentation auch in der kostenlosen Fassung über Accelerate und DeepSpeed, eine offizielle Unterstützung kündigt das Projekt seit Monaten an. Was dir ein Angebot für Pro oder Enterprise nennt und was ein GPU-Anbieter pro Monat verlangt, sind Nettobeträge, auf die die Umsatzsteuer noch aufschlägt.

Für wen ist Unsloth Studio geeignet?

• Unternehmen mit eigenem Fachvokabular: Wer Prüfberichte, Angebote oder Supportfälle in einer Sprache schreibt, die ein allgemeines Modell nicht trifft, kommt mit einem nachtrainierten Modell weiter als mit immer längeren Anweisungen. Die Oberfläche gibt es seit Juli 2026 auch auf Deutsch, neben 11 weiteren Sprachen.
• IT-Abteilungen, die Coding-Agenten lokal versorgen: Auf einem Rechner mit Grafikkarte im eigenen Netz läuft das Studio, die Entwicklungswerkzeuge im Team greifen über die OpenAI-kompatible Schnittstelle darauf zu. Quelltext geht damit nicht an einen Modellanbieter.
• Bereiche mit Berufsgeheimnis: Kanzleien, Arztpraxen und Personalabteilungen dürfen ihre Unterlagen nicht in einen Cloud-Dienst geben. Weil das Training auf dem eigenen Rechner läuft, passt du ein Modell auch auf Akten oder Fallsammlungen an.

DSGVO und Datenschutz

Unsloth Studio läuft auf deinem eigenen Rechner und lauscht ab Werk auf 127.0.0.1, ist also zunächst nur von dort aus erreichbar. Der Hersteller sagt in der Dokumentation ausdrücklich zu, keine Nutzungstelemetrie zu erheben, und eine Codesuche im Repository findet keine Analyse-Bibliothek.

Ganz ohne Verbindungen nach außen kommt das Studio trotzdem nicht aus. Basismodelle lädt es von Hugging Face. Der US-Anbieter erfährt dadurch, welches Modell du ziehst, deine Trainingsdaten fließen dabei nicht mit. Websuche, das Lesen von PDF-Dateien aus dem Netz und die Anbindung fremder Anbieter wie OpenAI oder Anthropic sind Funktionen, die du im Chat selbst einschaltest.

Gibst du die Oberfläche mit -H 0.0.0.0 im Netz frei, fragt das Studio bei ifconfig.me die öffentliche Adresse und bei check-host.net die Erreichbarkeit des Ports ab. Die Umgebungsvariable UNSLOTH_STUDIO_DISABLE_PUBLIC_CHECK=1 unterbindet beides. Der Cloudflare-Tunnel, der das Studio unter einer öffentlichen HTTPS-Adresse erreichbar macht, ist abgeschaltet und muss angefordert werden.

Die serverseitigen Werkzeuge führen Websuche, Python und Terminalbefehle unter deinem Benutzerkonto aus, wer Zugang und API-Schlüssel hat, arbeitet also auf diesem Rechner. Beim Freigeben nach außen gehört --disable-tools deshalb dazu.

Für Fine-Tuning auf personenbezogenen Daten passt das Studio gut. Das Training rechnet auf eurer eigenen Hardware, ein Auftragsverarbeitungsvertrag ist nicht nötig, weil kein Dienstleister beteiligt ist. Der Weg über das Colab-Notebook rechnet dagegen auf Googles Infrastruktur und scheidet für vertrauliche Unterlagen aus. Wegen des Beta-Stands gehört eine Installation vor dem produktiven Einsatz auf den Prüfstand.

Alternativen zu Unsloth Studio

• Unsloth: Derselbe Motor, über Python angesprochen und im Projekt inzwischen Unsloth Core genannt. Nimm die Bibliothek, wenn ein Trainingslauf aus einem Skript oder einer Automatisierung heraus starten soll.
• LLaMA Factory: Eigener Baukasten mit Weboberfläche, der weitere Trainingsverfahren wie DPO und PPO abdeckt. Es braucht mehr Einarbeitung, und seine Oberfläche ist ab Werk im gesamten Netz erreichbar, während das Studio zunächst auf dem eigenen Rechner bleibt.
• LM Studio: Wenn du Modelle nur lokal ausführen und mit ihnen chatten willst, ist LM Studio die einfachere Wahl. Es ist sofort einsatzbereit, ein Training bringt es allerdings nicht mit.