Unsloth v0.1.900-beta：本地跑 Laya Decision 模型 + Skills 编辑器，LTX-2.3 视频约 4.5×、VAE 解码最高 6.3×

核心背景与行业痛点

本地微调与 Studio 推理栈要同时覆盖「决策型小模型、Agent Skills、多模态生成」。痛点是：Jev/TypeSafe 决策调用常被绑到云端；Skills 只能在外部编辑器维护；长文档与 Office 附件无法在同一工作区预览；Apple Silicon 批服务与 KV 量化能力落后于 CUDA 管线；视频生成首渲与 VAE 解码仍是显存与时延瓶颈。

架构亮点与底层机制

v0.1.900-beta 把 Decision API 做进 Desktop：可本地加载 Laya 等决策模型，经 Jev 兼容的 /v1/systemone 对接 TypeSafe SDK，GPU 路径可走 MLX（#11603）。Skills 菜单支持创建/编辑/删除；Library 统一管理对话与 PDF/Word/Excel/PPT 预览，并可选 ModelScope 下载。Apple Silicon 增加批服务、response_format 语法约束输出与 TurboQuant KV（含滑动窗口模型如 Gemma 4）。训练侧加速 block-FP8 LoRA，并支持对 compressed-tensors W8A8 检查点挂 LoRA；FastModel 可加载 Voxtral 与 Qwen2-Audio。

权威 Benchmark 与实测跑分对比

发行说明给出官方实测口径（非第三方榜）：LTX-2.3 片段约 4.5×（蒸馏采样 + 编译修复 + 托管 FP8 权重）；图像/视频 VAE 解码 1.7–6.3×；MiniMax-H3 首次渲染最高快约 1 分钟，在 A100 / B200 / RTX PRO 6000 上峰值显存降 25–29 GiB。本版未附 SWE-bench 或公开对比表，请在目标 GPU/MLX 机器复现上述工作流后再写入容量规划。

开发者实战落地与开箱指南

升级到 v0.1.900-beta 或 pip install -U unsloth（PyPI 2026.9.12）。在 Desktop 打开 Settings > API 启用 Decision API 并选择 CPU/GPU；用 Skills 编辑器维护 Claude 规范技能；大文件走 Library 预览。完整说明见 docs.unsloth.ai 与 发行页。注意：标签含 beta，生产前请锁定版本并跑回归。