Unslothとは？ローカルでLLMの実行・学習ができるオープンソースアプリの特徴・料金・使い方を徹底解説

2026年8月、Unslothからローカル環境でAIモデルを実行・学習できるデスクトップアプリが公開されました。

今回登場した「Unsloth Desktop」は、モデルの実行と学習の両方を1つのアプリでこなす初のローカルアプリです。LLM・拡散モデル・音声モデルを全て手元のハードウェアで動かしながら、コードを書かずにファインチューニングまで踏み込めます。

Introducing Unsloth Desktop 🦥
The first desktop app to run and train models locally.

• Open-source. Runs on Mac, Windows and Linux
• Supports MLX, diffusion image/video, audio, GGUF
• Connect Claude Code and Codex to local LLMs
• 50% more accurate, self-healing tool calls +… pic.twitter.com/vjTFB1e5IQ

— Unsloth AI (@UnslothAI) August 11, 2026

これまでのローカルLLM環境には、「推論ツールと学習ツールがバラバラ」「ファインチューニングにPythonの知識が要る」「スマホや別PCから使えない」といった課題がありました。また、新しいローカルAIツールが登場するたびに、「既存のOllamaやllama.cppと何が違うのか」「本当に無料で使えるのか」「どこまで業務で任せられるのか」といった疑問を感じる方も多いのではないでしょうか。

そこで本記事では、Unslothの概要や仕組み、特徴を整理しながら、料金体系や使い方、業界別の活用シーンについて詳しく解説します。最後までお読みいただくことで、Unslothがどのように設計され、どのような場面で力を発揮するのかが理解できるはずです。

Unslothとは

Unslothは、LLMをローカルで実行・学習・デプロイできるオープンソースプロジェクトです。

もともとは高速なファインチューニングを実現するPythonライブラリとして知られてきましたが、そこにデスクトップアプリ「Unsloth Desktop」が加わりました。macOS・Windows・Linuxに対応した無料のベータ版アプリです。

扱えるのはテキスト生成のLLMだけではありません。拡散モデルによる画像・動画生成、MLXやGGUF形式のモデル、音声モデルまで、同じアプリの中で実行と学習を進められます。

インストール形態は3種類に分かれます。ネイティブアプリのUnsloth Desktop、ブラウザベースのWeb UIであるUnsloth Studio、そして元のコードベースであるPythonパッケージのUnsloth Coreです。

比較項目	Unsloth Desktop	Unsloth Studio	Unsloth Core
形態	ネイティブデスクトップアプリ	ブラウザベースのWeb UI	Pythonパッケージ
導入方法	macOS/Windows/Linux用インストーラー	インストールスクリプトを実行	uv・pip・仮想環境
向いている人	まず動かしたい人	サーバーやColabで使いたい人	コードで学習と推論を書きたい人

従来のローカルLLM環境は、推論ならllama.cpp、学習なら別のスクリプト、公開なら自前のサーバーというように役割が分断されがちでした。Unslothはこの分断を1つのUIにまとめ、チャットから学習、API提供までを地続きにしている点が最大の違いといえるでしょう。

本記事執筆(2026年8月)時点でUnsloth Desktopはベータ版のため、今後の更新で画面構成や対応モデルが変わる可能性があります。

ローカルLLMそのものについて、詳しく知りたい方は下記の記事もあわせてご覧ください。

Unslothの仕組み

Unslothは、推論エンジン・学習エンジン・ツール実行環境・APIサーバーを1つのアプリ内で束ねる構造です。ここでは内部の動作を順に見ていきます。アプリ本体はTauriベースで作られており、推論の土台にはllama.cppとPyTorch、画像生成の土台にはstablediffusion.cppが使われています。既存のオープンソース資産の上に統合UIを載せた設計。

モデルを読み込んでから応答するまでの流れ

1. 「モデルを選択」ドロップダウンかModel hubタブから、デバイスに合うモデルと量子化を選んでダウンロードする
2. Unslothがコンテキスト長やtemperatureなど、そのモデルに適した推奨設定を自動で選ぶ
3. 読み込まれたモデルがllama-server経由で認証付きAPIとして公開される
4. チャットUIまたは外部クライアントからのリクエストを受け取り、必要に応じてツールを呼び出す
5. Web検索・Python・Bashの実行結果を踏まえて最終的な応答を生成する

設定やサンプリングのフラグを何も指定しなければ、Unslothが最適な推奨値を選んでくれます。細かくチューニングしたい場合は、–tempや–top-pといったllama-serverのランタイムフラグをそのまま渡せる仕組みです。

2つのAPIを同じポートで話す

Unslothは、Anthropic互換の/v1/messagesとOpenAI互換の/v1/chat/completionsを同じポートで同時に提供。2つの形式のために別々のサーバーを立てる必要はありません。

エンドポイント	互換性	主な利用元
POST /v1/messages	Anthropic Messages API	Claude Code、Anthropic SDK、OpenClaw
POST /v1/chat/completions	OpenAI Chat Completions API	OpenAI SDK、opencode、Cursor、Continue、Cline、Open WebUI
GET /v1/models	OpenAIモデル一覧	読み込み中のモデルIDの確認

認証にはAuthorization: Bearer sk-unsloth-…形式のAPIキーを使います。キーはハッシュのみが保存されるため、作成時に一度しか表示されません。

ローカル環境でのLLM活用例に興味がある方は下記も参考にしてください。

Unslothの特徴

Unslothの強みは、実行・学習・公開という3つの用途を1つのアプリで完結させている点にあります。ここでは代表的な特徴を機能別に見ていきます。

比較項目	Unsloth	Ollama	llama.cpp
提供形態	デスクトップアプリ＋Web UI＋Pythonパッケージ	ローカルモデルサーバー	推論ライブラリ／サーバー
アプリ内でのファインチューニング	コード不要	非対応	非対応
画像・動画生成	拡散モデルに対応	非対応	非対応
API互換	OpenAI互換＋Anthropic互換	OpenAI互換	OpenAI互換Anthropic Messages互換
Unslothとの関係	–	接続先として利用可能	推論基盤として内部利用

コード不要でファインチューニングできる

最大の差別化ポイントは、PDF・CSV・JSONなどから学習用データセットの作成が可能です。従来のローカルLLMツールが推論専用だったのに対し、Unslothは学習まで範囲に含めています。

対応する学習方式はLoRA・フルファインチューニング・事前学習の3種類。テキストモデルだけでなく、拡散モデル・音声モデル・画像モデルも学習対象です。

権限制御とサンドボックスを備えている

Unslothは、Claude CodeやCodexと同様に、ツール呼び出しを行うモデルに対して権限制御を提供します。ユーザーの承認なしにファイルへアクセスしたり、インターネットを利用したりすることはありません。

必要なアクセスレベルはユーザー側で選べます。安全なサンドボックス環境内でツールを実行させることも、必要であればファイルへ直接アクセスして編集させることも可能。

画像・動画・音声まで1つのアプリで扱える

拡散モデルではMiniMax-H3・Z-Image・LTX・Qwen-Image・FLUX・SDXLなどを実行できます。作成・変換・インペイント・拡張・アップスケール・参照・編集という7つのワークフローに対応。

速度面の改善も明示されています。NVIDIA B200上のMiniMax-H3 FP8では、960×544・124フレーム・8ステップの生成が70秒超から13秒へ短縮されました。

音声についても、テキスト読み上げ・音声認識・Whisper・Qwen3-ASRなどを完全にローカルで動かせます。生成・微調整・書き起こしの全てが手元で完結する形。

外部プロバイダーのモデルも同じUIで動かせる

Unslothはローカル専用のツールにとどまりません。OpenAI・Anthropic・OpenRouter、さらにChatGPT/Codexを直接接続できます。

llama.cpp・vLLM・Ollamaといった自前のモデルサーバーも接続先に選べます。ベースURLを指定するだけで、ローカルモデルとクラウドモデルを同じチャット画面から切り替えられる設計です。

接続したモデルには、Web検索・コード実行・ディープリサーチを含むUnslothのツール群を開放できます。プロンプトキャッシュにも対応しており、精度を落とさずにトークンを節約できる点は使いやすさにつながっています。

ディープリサーチと無制限のWeb検索

通常のWeb検索はモデルが考えている最中に回答用の情報を取りに行きます。一方でディープリサーチはまず計画を立て、最良の情報源を検索し、引用付きの詳細なレポートを作成する流れです。

いずれもプライベートかつ無制限で使えるとされています。クラウドの検索付きAIのように回数制限を気にせず調べられるのは、ローカル実行ならではの利点ではないでしょうか。

LLMのファインチューニングについて、詳しく知りたい方は下記の記事もあわせてご覧ください。

Unslothの安全性・制約

Unslothは100%オフラインで実行でき、テレメトリも収集しません。一方で、外部公開の設定を誤ると危険度が一気に上がります。アプリが検出するのはGPUの種類とデバイス情報のみで、これは対応可能な機能を判定するためのもの。ローカルのみで運用する構成も可能です。

公開範囲によって変わるリスク

Unslothの起動オプションは、そのまま公開範囲の設定になります。どのコマンドで何が公開されるのかを把握しておきましょう。

起動コマンド	生のポート	パブリックURL
unsloth studio	このマシン上のみ	なし
unsloth studio -H 0.0.0.0	同一ネットワーク	なし
unsloth studio -H 0.0.0.0 –cloudflare	同一ネットワーク	あり（最もプライバシーが低い）
unsloth studio –secure	このマシン上のみ	あり（唯一のアクセス経路）

LANアクセスと–secureは正反対の性質を持ちます。–secureはループバックバインドを強制するため、ネットワーク上のどの端末からも生のポートには到達できません。

ただし、LAN通信はプレーンHTTPのため暗号化されません。自分で管理していないネットワークでは、HTTPSで届くリモートアクセス側を選ぶほうが安全です。

サーバー側ツールの扱いに注意する

最も注意すべき点は、サーバー側ツールがユーザー権限で動くことです。Web検索・Python・ターミナル実行はデフォルトで有効なため、APIキーを持ってサーバーに到達できる人は誰でもそのマシン上でコードを実行できます。

公開する場合は–disable-toolsを指定し、APIキーを秘密にしておく運用が前提。unsloth runではバインドアドレスに応じたデフォルトも用意されています。

• 127.0.0.1にバインドした場合はツールがオン
• 0.0.0.0など非ループバックにバインドした場合はツールがオフ
• 公開状態で強制的にオンにするとセキュリティ確認のプロンプトが表示される

パスワードゲートとフェイルクローズ

公開URLでUnslothを晒そうとしたとき、管理者アカウントが自動生成の初期パスワードのままなら、サーバーやトンネルが立ち上がる前に停止して新しいパスワードを要求します。

トンネルを開始できない場合、–secureは生のポートへフォールバックせずに終了。公開されていると誤解したまま動き続けるよりも、止まるほうを選ぶ設計です。

ほかにも、トンネルが有効な間はローカルのstdio MCPサーバーが自動的に無効化されます。リモート接続が信頼境界を壊すため、自動既定がオフに切り替わる仕組みです。

Cloudflareトンネルで発行されるURLは起動のたびに変わり、固定できません。URL自体を秘密として扱う前提で運用する必要があります。

Unslothの料金

Unslothは無料で利用できるオープンソースプロジェクトです。Unsloth Desktopについても、無料・オープンソースのアプリとして提供されています。

項目	費用	備考
Unsloth Desktop	無料	macOS・Windows・Linux対応のベータ版
Unsloth Studio	無料	インストールスクリプトで導入
Unsloth Core	無料	Pythonパッケージ
Cloudflareトンネル	無料	登録・支払い・ドメイン設定が不要
外部プロバイダー接続	各社の従量課金	OpenAI・Anthropicなどのアカウント側で発生

リモートアクセスに使うCloudflareトンネルも無料。登録も支払いも不要で、ルーターやファイアウォールに触れる必要もありません。

ただし、OpenAIやAnthropicのAPIを接続して使う場合は、それぞれのプロバイダー側で通常どおり料金が発生します。

実質的なコストはハードウェアと電力に集約されます。ローカルで動かす限り、推論回数やトークン数による課金は生じません。

ローカル環境で動かすAI基盤に興味がある方は下記も参考にしてください。

Unslothのライセンス

UnslothはApache 2.0とAGPL-3.0のデュアルライセンスを採用しています。コンポーネントごとに条件が変わる点が最大の注意点です。

Unslothパッケージ（Unsloth Core）はApache 2.0のまま。一方で、Unsloth StudioのUIなど一部のオプションコンポーネントはAGPL-3.0で提供されています。

対象	ライセンス	性質
Unsloth Core（コアパッケージ）	Apache 2.0	制約の緩い寛容型ライセンス
Unsloth Studio UI などオプション部分	AGPL-3.0	ネットワーク提供にも及ぶコピーレフト型

この構成は、プロジェクトをオープンソースのまま維持しつつ、継続的な開発を支えるための設計です。

それぞれのライセンスで認められる範囲は次のとおりです。

項目	Apache 2.0（Unsloth Core）	AGPL-3.0（Unsloth Studio UI ほか）
商用利用	⭕	⭕
配布	⭕	⭕
改変	⭕	⭕
私的利用	⭕	⭕
特許利用	⭕	⭕

ただし、AGPL-3.0はコピーレフト型のライセンスです。改変版をネットワーク越しにサービス提供する場合、ソースコードの開示義務が生じる点には注意が必要です。

自社サービスへ組み込む前提であれば、Apache 2.0のコア部分だけを使うのか、AGPL-3.0のUIごと利用するのかを切り分けて検討したいところ。社内利用にとどめるか、外部提供まで踏み込むかで判断は変わります。

あわせて意識しておきたいのが、Unslothで動かすモデル側のライセンスです。Qwen・Gemma・Llamaなどはそれぞれ独自の利用条件を持つため、アプリのライセンスとは別に確認が要ります。

ツールが無料でもモデルが商用利用可とは限りません。業務利用の前に、実際に読み込むモデルの配布元へ条件を確認しておきましょう。

Unslothの使い方

ここではUnslothの導入からチャット開始、API公開までの手順を解説します。デスクトップアプリを使えばセットアップはほぼ不要です。

Unsloth Desktopをインストールする

ターミナル派の方は、インストールスクリプトからUnsloth Studioを導入する方法もあります。macOS・Linux・WSLではcurl -fsSL https://unsloth.ai/install.sh | sh、Windows PowerShellではirm https://unsloth.ai/install.ps1 | iexを実行します。

モデルを選んでチャットを始める

やりとりしている様子がこちらです。

コーディングエージェントをローカルモデルで動かす

unsloth startコマンドを使えば、Claude CodeやCodexをローカルモデルに接続できます。エンドポイント・APIキー・プロバイダー・モデル・コンテキスト長は起動のたびに自動設定されるため、エージェント側の設定ファイルを書き換える必要はありません。

エージェント	コマンド
Claude Code	unsloth start claude
OpenAI Codex	unsloth start codex
Hermesエージェント	unsloth start hermes
OpenClaw	unsloth start openclaw
OpenCode	unsloth start opencode

ただし、Codexは現時点でllama-serverバックエンド経由のGGUFモデルを必要とします。

MCPサーバーを接続する

Unsloth StudioにはContext7・Exa・Hugging FaceのMCPサポートが最初から用意されています。チャットツールバーの「MCP」をクリックすれば有効化できます。

独自のサーバーを足す場合は「カスタムMCPを追加」から、表示名とベースURLを入力します。GitHubやLinear、Vercelのようにブラウザ認証が必要なサーバーでは、OAuthサインインを使用をオンにしておきましょう。

「接続をテスト」で疎通を確認してから「サーバーを追加」で保存します。追加後は「『Vercel』を更新しました（18個のツール）」のように、取得されたツール数が表示される流れ。

Claude Codeの機能を体系的に知りたい方は下記の記事もあわせてご覧ください。

【業界別】Unslothの活用シーン

Unslothの価値は、データを外に出さずに独自モデルを育てられる点にあります。ここでは業界ごとの活用シーンを見ていきます。

医療業界

診療記録や検査データは、クラウドAIに送ること自体がハードルになります。Unslothならオフラインで推論と学習を完結できるため、院内ネットワークの内側にモデルを閉じ込めたまま運用できると考えられます。

院内文書をPDFのまま学習データに投入し、診療科ごとの表記や略語に馴染んだモデルへ育てる使い方も可能性があります。音声認識をローカルで動かせるため、問診の書き起こしも外部へ出さずに済むでしょう。

医療分野でのAI活用について、詳しく知りたい方は下記の記事もあわせてご覧ください。

製造業

工場では、そもそもインターネットに接続しない閉域網が珍しくありません。LANアクセスを使えば、同じネットワーク上のタブレットや端末からローカルモデルを共有できます。

設備マニュアルや過去のトラブル報告を学習させ、現場からの問い合わせに答えるモデルを作る使い方も期待できます。通信がネットワーク外へ出ないため遅延が低く、インターネットがなくても動く点は現場向き。

製造業のAI活用に興味がある方は下記も参考にしてください。

金融業界

顧客情報や取引履歴を扱う金融では、外部APIへの送信可否そのものが検討事項になります。Unslothはテレメトリを収集せず、完全オフラインで動かせるため、統制の要件と噛み合いやすい構成です。

APIモニターでリクエスト・レスポンス・トークン数・レイテンシをリアルタイムに追える点も見逃せません。誰がどのモデルに何を投げたかを手元で記録できるのは、監査の観点でも有利といえるでしょう。

金融業界のAI活用について、詳しく知りたい方は下記の記事をご覧ください。

マーケティング

画像生成の観点でも使い道があります。自社の商品写真でLoRAを学習させれば、ブランドのトーンに沿ったビジュアルをローカルで量産できる可能性があります。

Unslothでキャプションを付け、ランクを選んで学習し、そのままアプリに読み戻して推論に使う流れ。生成枚数に応じた課金が発生しない点は、試行回数を稼ぎたいクリエイティブ制作と相性が良いのではないでしょうか。

生成AIのマーケティング活用について、詳しく知りたい方は下記の記事もあわせてご覧ください。

Unsloth DesktopでLLMをファインチューニングしてみた

ここからはUnsloth Desktopでファインチューニングをしていきます。

まずはサイドバーからトレーニングを選択します。

今回はQwen3-0.6Bを使ってファインチューニングをしていきます。

設定が完了したら「トレーニング開始」をクリック。そうすると下記の画面が表示されます。

トレーニング結果がこちらです。特に悩むこともなくファインチューニングを行うことができました。

チャットで比較することができるので、ファインチューニング前後で応答が変わるかを比較してみます。

画面向かって右が学習モデル、左がベースモデルの比較です。

出力が文字化けしてしまっていますが、これはStudioで試しても同じように文字化けしてしまいました。

おそらく小型モデルであるためそもそもの日本語能力に限界があった、ユニークな学習データが少ないといった要因かと思います。

実際にファインチューニングする場合には、ある程度の大きさがあるモデルを選ぶのが良いかもしれません。ただ、CLI/API経由では文字化けはしませんでした。

【課題別】Unslothが解決できること

Unslothが解決できる代表的な課題を紹介します。データを外に出せないという制約を抱えるチームほど、メリットを受けやすいのではないでしょうか。

社外に出せないデータでAIを使える

Unslothは完全にオフラインで動作し、テレメトリも収集しません。機密情報を含む文書をそのままモデルに読ませられる点は、クラウドAIでは代替しにくい価値です。

コードを書けなくてもモデルを育てられる

従来のファインチューニングは、環境構築とスクリプト作成が最初の壁でした。UnslothはPDF・CSV・JSONを入れるだけで学習を開始できるため、この壁を大きく下げています。

複数のツールを1つに集約できる

推論・学習・画像生成・音声処理・API提供を別々のツールで運用していると、環境の維持だけで手が塞がります。Unslothはこれらを1つのアプリに集約し、管理対象を減らしてくれます。

手元のモデルを別デバイスから使える

LANアクセスなら同じネットワーク内から、リモートアクセスならHTTPS経由でどこからでも接続できます。デスクトップの計算資源をスマートフォンから呼び出す構成も組めます。

観点	Unslothで解決できること	Unslothでは解決しないこと
データ管理	機密データを外部送信せずに処理	ハードウェアそのものの調達
学習	コードを書かないファインチューニング	学習データの品質担保
公開	LAN・HTTPS経由でのモデル提供	固定URLでの常時公開
性能	llama.cpp相当の推論とツール呼び出し	ローカル環境の物理的な性能上限

生成AIによる業務効率化について、詳しく知りたい方は下記の記事をご覧ください。

Unslothのよくある質問

ここではUnslothのよくある質問について回答していきます。Unslothの使用を検討している場合には、ぜひ参考にしてみてください。

UnslothでローカルにしかできないAI活用を始めよう

Unslothは、LLMの実行・学習・デプロイを1つのアプリで完結させることをコンセプトとしたオープンソースプロジェクトです。macOS・Windows・Linuxに対応したUnsloth Desktopの登場により、コードを書かずにファインチューニングまで踏み込めるようになりました。

単なるローカル推論ツールではなく、自分のデータで自分のモデルを育て、そのまま社内やチームへ提供できる基盤という位置づけ。OpenAI互換とAnthropic互換の両方のAPIを同じポートで話すため、Claude CodeやCodexをそのまま手元のモデルに向けられます。

今後はローカルモデルの性能向上とハードウェアの低価格化が進み、「機密データはローカル、汎用タスクはクラウド」という使い分けが広がっていくのではないでしょうか。学習と推論の境目が薄れていく流れの中で、Unslothのような統合アプリの存在感はさらに増していくといえるでしょう。

ぜひ皆さんも本記事を参考にUnslothを使ってみてください！

最後に

Unslothを活用することで、機密データを外部に出さずに自社専用のAIモデルを育てられます。一方で、学習データの設計とハードウェア選定は成果を大きく左右するため、社内での検証環境づくりとあわせて専門家への相談も重要な選択肢です。