Ajuste fino de LLM multimodales para quienes no tienen un clúster A100 🦥

Los chicos de Unsloth lanzaron la beta de Unsloth Studio — una herramienta UI local para inferencia y entrenamiento (Mac, Windows, Linux). Además, implementaron completamente el soporte para Gemma 4 de Google. Y no solo envolvieron la API, sino que corrigieron manualmente errores críticos de la arquitectura original.

Para ejecutar LoRA en Gemma 4 E2B, necesitas solo 8 GB de VRAM. La versión E4B cabe en 10 GB. Si apuntas a 31B, prepara 22 GB para QLoRA.

Y sí, si tienes un tapón en lugar de una tarjeta gráfica decente o un MacBook sin MLX, Unsloth ha preparado un notebook de Colab listo.
El proceso es muy sencillo:
1️⃣ Ejecuta los bloques y el propio Unsloth Studio.
2️⃣ Selecciona el modelo, el dataset. Simplemente sube tu dataset, elige las capas necesarias para el entrenamiento (en Gemma 4 ahora puedes ajustar por separado las capas de texto, visión y audio) y ve a tomar un café.
3️⃣ Haz clic en «Start Training» y observa el progreso en tiempo real.
4️⃣ Todo listo: puedes comparar inmediatamente la versión normal y la ajustada del modelo en el chat.