Fine-tuning des LLM multimodaux pour ceux qui n'ont pas de cluster A100 🦥

Les gars d'Unsloth ont sorti la bêta de Unsloth Studio — un outil UI local pour l'inférence et l'entraînement (Mac, Windows, Linux). De plus, ils ont pleinement implémenté le support de Gemma 4 de Google. Et ils n'ont pas simplement enveloppé l'API, mais ont corrigé manuellement des bugs critiques de l'architecture originale.

Pour faire fonctionner LoRA pour Gemma 4 E2B, il vous suffit de 8 Go de VRAM. La version E4B tient dans 10 Go. Si vous visez le 31B — préparez 22 Go pour QLoRA.

Et oui, si vous avez une carte graphique de substitution ou un MacBook sans MLX, Unsloth a préparé un notebook Colab prêt à l'emploi.
Le processus est extrêmement simple :
1️⃣ Lancez les blocs et Unsloth Studio lui-même.
2️⃣ Choisissez le modèle, le dataset. Il suffit de déposer votre dataset, de sélectionner les couches à entraîner (Gemma 4 permet désormais de tuner séparément les couches text, vision et audio) et allez boire un café.
3️⃣ Cliquez sur « Start Training » et observez la progression en temps réel.
4️⃣ Tout est prêt - vous pouvez immédiatement comparer la version normale et la version fine-tunée du modèle dans le chat.