Unsloth udgiver open source-app til lokal AI-træning uden kode
Det nye open source-program til Windows, macOS og Linux øger hastigheden for inferens med 10 procent og reducerer behovet for VRAM.
Læs i dit tempo
Kort
Unsloth har udgivet en gratis app til at træne og køre AI-modeller på flere computersystemer. Det gør teknologien lettere at bruge, da man kan træne uden kodning og bruge mindre grafikhukommelse (VRAM). Brugerne kan nu køre mange forskellige AI-modeller hurtigere på både Mac og PC.
Begynder
Unsloth har udgivet et program med åben kildekode, hvilket betyder, at koden er gratis og tilgængelig for alle. Programmet virker på Windows, macOS og Linux. Det samler alt det, man skal bruge for at træne, køre og undersøge modeller til kunstig intelligens. Nu kan man træne modellerne uden at skulle skrive kompliceret kode. Det er lidt som at bruge en fjernbetjening i stedet for selv at skulle bygge hele fjernsynet. Det sparer tid og kræver mindre Video Random Access Memory (VRAM), som er den hurtige korttidshukommelse, computerens grafikkort bruger til at tænke.
Når programmet skal give et svar, hvilket kaldes for inferens, sker det 10 procent hurtigere. Forbruget af VRAM er blevet mindre, og man kan nu selv justere dette direkte i programmet. Det fungerer bedre på Mac og på visse AMD-chips, såsom RDNA3, RDNA4 og Strix Halo. Programmet kan bruge både computerens centrale hjerne, en Central Processing Unit (CPU), og flere specialiserede hjerner, kaldet Graphics Processing Units (GPU), fra mærker som NVIDIA, AMD, Intel og Mac.
AI-modellerne er blevet op til 50 procent mere præcise, når de bruger eksterne værktøjer, hvilket kaldes tool calling. Det sker via selvhelende kald, hvor programmet retter sine egne fejl undervejs i stedet for at gå i stå. For at tjekke sit arbejde kan AI'en køre kodesprog som Python og Bash i en isoleret sandkasse. En sandkasse er et sikkert, lukket område i computeren, hvor koden ikke kan skade resten af systemet.
Modeller, der skaber billeder og video, kaldes diffusionsmodeller, og de kører nu op til to gange hurtigere. Det gælder blandt andet MiniMax-H3. Programmet understøtter flere forskellige modeller, såsom Muse Glimmer 30B, Kimi K3, Qwen 3.8, DeepSeek-V4 Flash 0731 og Gemma 4. Man kan gemme sine modeller i formaterne GGUF og NVFP4. Det er også muligt at styre programmet fjernstyret via Cloudflare HTTPS eller dele lokale modeller gennem en digital bro, kaldet en Application Programming Interface (API).
Vil du have, at jeg forklarer mere om, hvordan en »sandkasse« beskytter din computer i praksis?

Unsloth har udgivet en open source-app til Windows, macOS og Linux, der samler træning, kørsel, research og idriftsættelse af AI-modeller. Appen lader brugere træne modeller uden at skrive kode, hvilket reducerer både tidsforbruget og behovet for VRAM.
Inferens kører 10 procent hurtigere, og VRAM-forbruget er reduceret. Brugeren kan nu justere VRAM-forbruget direkte i brugerfladen. Appen har fået bedre understøttelse af Mac samt AMD RDNA3, RDNA4 og Strix Halo.
Værktøjskald (tool calling) er op til 50 procent mere præcise. Det sker via selvhelende kald, der reparerer fejl i stedet for at afbryde processen. Modellerne kan køre Python og Bash i isolerede sandkasser for at teste kode og verificere deres arbejde.
Diffusion-modeller til billeder og video kører op til 2 gange hurtigere på understøttede workflows, herunder MiniMax-H3. Programmet understøtter modeller som Muse Glimmer 30B, Kimi K3, Qwen 3.8, DeepSeek-V4 Flash 0731 og Gemma 4.
Programmet understøtter kørsel på både CPU og flere GPU'er fra NVIDIA, AMD, Intel og Mac. Brugerne kan eksportere modeller til formater som GGUF og NVFP4 eller tilgå appen fjernstyret via Cloudflare HTTPS. Lokale modeller kan serveres gennem en OpenAI-kompatibel API.
Kilder
- v0.1.702-beta github.com
Produktionshistorie
- Radar Signal ? af 100 · spredning 1 kilder
- Vurdering Nyheds 5/5 — Ny beta-udgivelse af Unsloth til effektiv model-træning.
- Skrevet Model: mimo-v2.5-free · temperatur 0.4
- Overskrift 5 kandidater, valgt af chat.dk
- Korrektur 1 zen · 3 rettelser
- Vedtagelse ainews-auto-v3 · score 0.4425