Unsloth 引入更高效的强化学习 (RL)，并实现多项算法改进：
1、上下文长度增加了 1.2 到 1.7 倍，且没有影响速度
2、显存 (VRAM) 占用率降低了 50%以上！
3、通过改进的内核和异步数据移动，RL 训练运行速度提高了 10%
4、模型加载torch.compile速度提高 2 倍

与所有其他配备 FA2 的配置相比， Unsloth提升了强化学习 (RL) 的训练速度和上下文窗口，并将显存 (VRAM) 占用率降低了 50% 至 90%，而Unsloth 的Standby功能则进一步提升了这一性能。

现在，Qwen3-32B LoRA 16 位在 1xH100 80GB GPU 上可以达到 6,144 个上下文长度，而之前为 3,600 个（长 1.7 倍）。Llama-3.1-8B QLoRA 4 位可以达到 47,500 个上下文长度，而之前为 42,000 个（长 1.13 倍）。

通过各种内核优化，将强化学习的运行速度提高了 10%，并在从训练模式切换到推理模式时移除了 CPU 和 GPU 之间的 LoRA 通信通道。

最后， 使用自定义torch.compile标志，将 vLLM 的部署速度提高了 10%，并将编译时间缩短了 2 倍。