AIファインチューニングのハードルがなくなった — コード不要で手元のPCでLLMを訓練する方法

LLMのファインチューニング（fine-tuning）といえば、思い浮かぶ光景がありますよね。ターミナルでCUDA環境をセットアップして、データセットのフォーマット合わせに手間取り、結局GPUメモリ不足でOOMエラー。このプロセスを最初から最後までWebブラウザで、コードなしにできるとしたら？ unsloth

これは何?

Unsloth Studioは2026年3月17日に公開されたオープンソースのノーコードWeb UIです。LLMの訓練、実行、書き出しの全工程を、ひとつのローカルインターフェースで処理できます。 Unslothという名前、聞いたことはありますか？GitHubスター数が53,900を超えるオープンソースのファインチューニングライブラリで、今回はそこにWeb UIを載せた形です。 unsloth +1

ポイントはシンプルです。コードを知らなくてもファインチューニングができるようにすること。 データ準備から訓練、リアルタイムモニタリング、モデル比較、書き出しまで — すべてブラウザで完結します。しかも100%ローカルで動くので、データが外部に漏れる心配もありません。 unsloth

対応モデルは500種類以上。Qwen 3.5、DeepSeek-R1、Llama 4、NVIDIA Nemotron 3などの最新モデルはもちろん、テキストだけでなくビジョン、TTS、オーディオ、埋め込みモデルまでカバーしています。 unsloth +1

何が変わるのか?

これまでLLMファインチューニングの選択肢は大きく三つでした。コードで直接やるか、クラウドプラットフォームにお金を払うか、諦めるか。Unsloth Studioは四つ目の道を開きました。 marktechpost +1

秘密はUnslothが手書きしたTritonカーネルにあります。 PyTorchの汎用CUDAカーネルの代わりに、LLMアーキテクチャに最適化した逆伝播演算をTritonで新たに実装しました。これにより精度の損失なく、2倍の速度と70%のメモリ節約を同時に実現しています。 marktechpost +1

実際の数字で見るとこんな感じです。RTX 4090が1枚あれば、8Bパラメータのモデルをファインチューニングできます。本来ならマルチGPUクラスターが必要だった作業です。MoE（Mixture-of-Experts）アーキテクチャでは最大12倍まで速くなることもあります。 topaiproduct

「Unslothはほぼすべてのフォーチュン500企業で使われており、独立系LLM配布プラットフォームとして4番目の規模です。」

— Daniel Han、Unsloth創業者、Hacker Newsコメント

主要機能：これもできるの?

Data Recipes — PDFをアップロードするとデータセットが生成される

ファインチューニングで一番手間がかかるのがデータセットの準備ですよね。Unsloth StudioのData Recipesは、ビジュアルノードベースのワークフローでこれを解決します。 PDF、CSV、DOCX、JSONファイルをアップロードすると、NVIDIAのDataDesigner技術を活用して自動的に学習用データセットに変換してくれます。ChatMLでもAlpacaでも、フォーマットも自動で合わせてくれます。 unsloth +1

GRPO — 推論能力を強化する学習

一般的なSFT（教師ありファインチューニング）だけではありません。DeepSeek-R1の推論能力を生み出した核心技法であるGRPO（Group Relative Policy Optimization）が内蔵されています。 従来のPPOは別途Criticモデルが必要でVRAMを2倍消費していましたが、GRPOはグループ単位で報酬を計算するため、コンシューマー向けGPUでも実行できます。 unsloth +1

Model Arena — 訓練前後の比較

ベースモデルとファインチューニング済みモデルを並べて会話させることができます。 訓練効果を直感的に確認できる機能です。 unsloth

ワンクリック書き出し

訓練が終わったら、GGUF（llama.cpp、Ollama、LM Studio用）、safetensors（HuggingFace、vLLM用）などの形式にすぐ書き出せます。 LoRAアダプターのマージからフォーマット変換まで自動で処理されます。 unsloth +1

始め方のポイント

1. 1行でインストール
   Mac/Linux/WSLではターミナルに1行入力するだけです。
   curl -fsSL https://raw.githubusercontent.com/unslothai/unsloth/main/install.sh | sh
   WindowsはPowerShellで：
   irm https://raw.githubusercontent.com/unslothai/unsloth/main/install.ps1 | iex
   Dockerにも対応しています。初回インストール時はllama.cppのコンパイルで5〜10分かかります。 unsloth
2. Studioを起動
   source unsloth_studio/bin/activateの後にunsloth studio -H 0.0.0.0 -p 8888を実行すると、ブラウザでStudioが開きます。 GPUのないMacでも、GGUF推論とData Recipesは使えます。 unsloth
3. モデルを選択
   Hugging Faceでモデルを検索するか、ダウンロード済みのGGUF/safetensorsファイルを読み込みます。LM Studioで入手済みのモデルも自動認識されます。 topaiproduct
4. データを準備する（Data Recipes）
   学習させたいドキュメント（PDF、CSVなど）をアップロードすると、ノードベースのエディターでデータセットに変換されます。 合成データの生成も可能です。データなしでそのまま訓練を始めることもできます。 unsloth
5. 訓練を開始
   おすすめのプリセットでそのまま始めるか、YAML設定を読み込んで細かく調整することもできます。 訓練中のloss曲線やGPU使用率をリアルタイムで確認しながら — スマートフォンからでも確認できます。 unsloth
6. 書き出し & デプロイ
   訓練が終わったら、GGUF、safetensorsなど好みの形式で書き出します。 Ollamaにそのまま上げたり、vLLMサーバーにデプロイしたり、HuggingFace Hubにプッシュするだけで完了です。 unsloth

どんな用途に使える？

ファインチューニングは、汎用AIを「自分の業務専門家」に変える作業です。Unsloth Studioが特に活きるシナリオを紹介します：

• 社内ナレッジチャットボット — 社内文書（PDF、マニュアル）をData Recipesでデータセット化して、社内用語やプロセスを理解するチャットボットを作れます。データが外部に出ないのでセキュリティの心配もありません。
• ドメイン特化型コーディングアシスタント — チームのコードスタイル、使用しているフレームワーク、内部APIドキュメントを学習させて、チーム専用Copilotを作れます。
• 多言語専門翻訳 — 特定分野（法律、医療、ゲーム）の専門用語の翻訳精度を大幅に高められます。
• 推論能力の強化 — GRPOで数学、論理、コーディング問題の解決能力を高めた「ミニDeepSeek-R1」を作れます。

競合ツールとの比較

LLaMA-Factoryはモデル互換性では優れていますが、速度とメモリ効率ではUnsloth Studioが圧倒的です。 特にコンシューマー向けGPUで作業する個人開発者や小規模チームにとっては、事実上唯一の選択肢といえます。 topaiproduct