Which is faster for LLM fine-tuning: Unsloth or LLaMA‑Factory?

In many small‑to‑mid GPU setups, Unsloth’s low‑precision optimizations can shorten training time and reduce VRAM pressure, so it often feels faster in practice. LLaMA‑Factory can leverage accelerations too, but its superpower is orchestration and evaluation rather than raw speed.

Is LLaMA‑Factory good for beginners?

Yes. Its Web UI, zero‑code workflows, and built‑in evaluation make it beginner‑friendly, especially if you want a repeatable fine‑tuning pipeline without chasing scripts. It’s ideal for teams teaching or standardizing processes.

Can I export to GGUF or run with Ollama after fine‑tuning?

Unsloth’s Studio notebooks emphasize clean exports to GGUF and easy deployment with Ollama or vLLM, which is great for local or edge inference. With LLaMA‑Factory, check the docs for your base model’s supported export paths and plan ahead for the runtime you need.

Do Unsloth and LLaMA‑Factory support QLoRA?

Yes. Both support adapter‑based training like LoRA/QLoRA, letting you fine‑tune large models on smaller GPUs. The key is to balance sequence length, batch size, and adapters so you don’t blow past your VRAM budget.

Should I use Unsloth and LLaMA‑Factory together?

You can. Use LLaMA‑Factory for its UI, recipes, and evaluation, and tap acceleration under the hood where compatible. It’s a practical way to get both speed and simplicity without gluing together three different toolchains.

Unsloth در مقابل LLaMA-Factory: کدام‌یک تنظیم دقیق را کم‌دردتر می‌کند؟

آیا تا به حال سعی کرده‌اید یک مدل زبانی بزرگ را fine-tune کنید و احساس کنید در حال سرهم‌بندی یک ترامپولین در تاریکی هستید—پیچ‌های گم‌شده، فنرهای برعکس، و اصلاً نمی‌دانید چرا مدام شما را به داخل بوته‌ها پرتاب می‌کند؟ شما تنها نیستید. رونق در LLMهای متن‌باز، قدرت مغزی خام فوق‌العاده‌ای را در اختیار ما قرار داده است—اما تبدیل این مغزها به یک دستیار مودب و مفید برای مورد استفاده‌تان می‌تواند مانند آموزش مالیات دادن به یک سگ گلدن رتریور باشد.

دو گزینه محبوب وارد می‌شوند که نویدبخش عاقلانه و حتی سریع‌تر کردن fine-tuning هستند: Unsloth و LLaMA-Factory. روی کاغذ، هر دو می‌گویند: «ما fine-tuning را آسان‌تر خواهیم کرد.» در عمل، آن‌ها از زوایای مختلف به این مسئله می‌پردازند—یکی یک ارتقاء موتور با اکتان بالاست. دیگری یک برج مراقبت دوستانه است که پروازهای آموزشی شما را هماهنگ می‌کند. اگر از خود می‌پرسید که کدام یک را باید واقعاً برای پروژه بعدی خود استفاده کنید، یک صندلی بردارید و بیایید گشتی بزنیم.

دقیقاً چه چیزی را مقایسه می‌کنیم؟

Unsloth: آن را به عنوان یک توربوشارژر برای آموزش در نظر بگیرید. این یک جعبه‌ابزار بهینه‌سازی است که هدف آن سریع‌تر و ارزان‌تر کردن fine-tune های شما است—و به خوبی با طیف گسترده‌ای از مدل‌ها و فرمت‌ها کار می‌کند. ایده GitHub جسورانه است: از fine-tuning کامل و ترفندهای کم‌دقت (4-bit، 8-bit، 16-bit)، بسیاری از خانواده‌های مدل (نه فقط LLMهای پرحرف) پشتیبانی می‌کند، و خروجی‌هایی دارد که به طور تمیز در runtimeهای رایج مستقر می‌شوند. همچنین یک مخزن همراه "Studio" با نوت‌بوک‌های مبتدی‌پسند وجود دارد که برای شروع‌های بدون اصطکاک و خروجی‌های تمیز به GGUF، Ollama و vLLM طراحی شده‌اند.

LLaMA-Factory: یک ایستگاه تک‌مرحله‌ای و بدون کد را برای fine-tuning و ارزیابی بیش از 100 LLM تصور کنید. ویژگی اصلی آن: یک رابط کاربری وب و CLI که دستورالعمل‌های تمرینی با بهترین روش (LoRA/QLoRA, SFT, DPO, ORPO و غیره)، پشتیبانی چند backend، ارزیابی داخلی، و یک چادر بزرگ برای مدل‌ها و مجموعه‌داده‌های محبوب را در بر می‌گیرد. حتی یک پروژه مستندسازی اختصاصی وجود دارد تا به شما کمک کند بدون جستجو در سورس، در گزینه‌ها پیمایش کنید.

اگر از قبل در حال شکل دادن یک فرضیه هستید—«پس Unsloth تقویت‌کننده سرعت است و LLaMA-Factory داشبورد دوستانه است؟»—تقریباً به هدف زده‌اید. برخی از بررسی‌ها حتی اشاره می‌کنند که LLaMA-Factory ابزارهای شتاب‌دهنده را ادغام می‌کند به جای اینکه سعی کند از آن‌ها پیشی بگیرد، که به ماهیت مکمل این دو اکوسیستم اشاره دارد. در همین حال، جمع‌بندی‌های شخص ثالث، LLaMA-Factory را به عنوان یک رویکرد برتر رابط کاربری متن‌باز برای fine-tuning معرفی می‌کنند، که با مأموریت آن برای کلیکی و قابل استفاده کردن کارها برای افراد غیر متخصص همخوانی دارد. حتی یک صفحه مقایسه جمعی نیز وجود دارد اگر تحقیق خود را با ماتریس‌های ویژگی دوست دارید.

دو راه برای «درد کمتر»: کدام یک با ذهن شما سازگارتر است؟

در اینجا یک تست شخصیت سریع آورده شده است. اگر به بیشتر سؤالات مجموعه اول پاسخ «بله» می‌دهید، شما یک شخص Unsloth هستید. اگر مجموعه دوم را ترجیح می‌دهید، LLaMA-Factory ممکن است محل شادی شما باشد.

اگر شرایط زیر را دارید، ممکن است Unsloth را ترجیح دهید:

بودجه GPU شما محدود است و می‌خواهید کوتاه‌ترین و ارزان‌ترین اجرای آموزشی ممکن را داشته باشید—به خصوص روی کارت‌های مصرف‌کننده.

از قبل دستورالعمل تمرینی خود را می‌دانید و برای جادوی کم‌دقت (QLoRA، 4-bit، 8-bit) و مصنوعات آماده خروجی ارزش قائل هستید.

در انواع مدل‌ها (LLMها، شاید حتی چندوجهی یا وظایف BERT-ish) کار می‌کنید و یک زیرلایه با کارایی بالا می‌خواهید.

با کار در نوت‌بوک‌ها یا اسکریپت‌ها راحت هستید و به یک رابط کاربری هماهنگ‌سازی کامل نیاز ندارید.

اگر شرایط زیر را دارید، ممکن است LLaMA-Factory را ترجیح دهید:

یک تجربه هدایت‌شده می‌خواهید—رابط کاربری وب، گردش‌های کاری بدون کد/کم کد، و ارزیابی‌های از پیش تعیین شده.

در حال مدیریت چندین خانواده مدل و فرمت داده هستید و بیشتر از سرعت خام، هماهنگی را می‌خواهید.

به خطوط لوله آموزشی استاندارد و قابل تکرار برای یک تیم نیاز دارید—SFT اکنون، DPO بعداً—بدون بازنویسی پشته خود.

از مدیریت آزمایش داخلی خوشتان می‌آید: آموزش، استنتاج و امتیازدهی در یک مکان.

داستان در عمل: «من یک مجموعه داده دارم. حالا چه کار کنم؟»

فرض کنیم 50000 چت پشتیبانی مشتری دارید و می‌خواهید مدلی شبیه میز کمک شما صدا کند، منهای موسیقی انتظار. شما داده‌ها را تمیز و برچسب‌گذاری کرده‌اید (خدا قوت). کم‌دردترین راه برای رفتن از CSV به «سلام! چگونه می‌توانم به شما کمک کنم رمز عبور خود را بازنشانی کنید؟» چیست؟

مسیر A: Unsloth برای سرعت و آمادگی استقرار

در Unsloth Studio شروع کنید: نوت‌بوک‌های مبتدی‌پسند طوری طراحی شده‌اند که به شما امکان می‌دهند مجموعه داده خود را بیاورید، Run All را بزنید، و یک مدل fine-tune شده را در طرف دیگر تحویل بگیرید. این ایده اصلی است، و در سبک تست پروژه‌های من، خروجی‌ها به خطوط لوله GGUF/Ollama/vLLM یک مزیت بزرگ برای استقرار عملی است.

به دقت پایین تکیه کنید: اگر GPU شما یک نوجوان موفق است (مثلاً یک کارت 12–24 گیگابایتی)، QLoRA 4-bit می‌تواند «جا نمی‌شود» را به «بعد از ظهر اجرا می‌شود» تبدیل کند. کل حس Unsloth این است که «کوچک‌تر، سریع‌تر، ارزان‌ترش کنید» بدون اینکه دقت خود را خراب کنید—اگرچه همچنان باید روی یک مجموعه held-out اعتبارسنجی کنید.

نتیجه: احتمالاً به سرعت یک checkpoint با عملکرد خوب دریافت خواهید کرد، و داستان استقرار تمیز است—برای انتقال به یک سرور سبک یا یک جعبه لبه مفید است.

مسیر B: LLaMA-Factory برای هماهنگ‌سازی و سلامت عقل

رابط کاربری وب را اجرا کنید: آن را به مدل پایه و مجموعه داده خود هدایت کنید، روش خود را انتخاب کنید (SFT برای شروع. DPO یا ORPO اگر بعداً اصلاح تقویت‌شده را می‌خواهید) و آداپتورهای خود را تنظیم کنید (LoRA/QLoRA). هدف در اینجا «بدون اسکریپت‌های مرموز» است.

ارزیابی داخلی: اینجاست که LLaMA-Factory می‌درخشد. فقط مربوط به آموزش نیست. بلکه مربوط به پاسخ دادن به این سؤال است که «آیا بهتر است؟» با یک پنل از وظایف ارزیابی و داشبوردهای خلاصه. این زمانی ارزشمند است که به سهام‌داری گزارش می‌دهید که مخفیانه معتقد است همه هوش مصنوعی جادوگری است.

نتیجه: شیوه‌های بی‌فایده کمتر، اجراهای قابل تکرار بیشتر، و مسیر هموارتری برای پذیرش تیمی.

سرعت در مقابل سادگی: بده‌بستان‌هایی که احساس خواهید کرد

زمان راه‌اندازی: LLaMA-Factory برای افراد تازه‌کار برنده است. شما حفاظ‌ها، تنظیمات از پیش تعیین شده و یک تصویر بصری «آیا رسیده‌ایم؟» را دریافت می‌کنید.

سرعت تکرار: Unsloth اغلب برای توان عملیاتی خام برنده است، به خصوص اگر سخت‌افزار متوسطی دارید و به زنجیره ابزار کم‌دقت تکیه می‌کنید. این برای فشرده‌سازی ساخته شده است.

حکومت و قابلیت تکرار: ارزیابی یکپارچه LLaMA-Factory و خطوط لوله بدون کد، به اشتراک گذاشتن نتایج، مقایسه اجراها و استانداردسازی در یک تیم را آسان‌تر می‌کند.

مسیر استقرار: گزینه‌های خروجی Unsloth اگر پشته‌های استنتاج محلی مانند GGUF، Ollama یا vLLM را هدف قرار می‌دهید، فوق‌العاده عملی هستند.

داستانی از دو تیم

استارت‌آپ با بودجه محدود: آن‌ها دو کارت 24 گیگابایتی، یک آخر هفته و یک دموی دوشنبه دارند. Unsloth به آن‌ها کمک می‌کند تا یک checkpoint تنظیم‌شده با دستورالعمل را با QLoRA ایجاد کنند، زمان آموزش را کاهش دهند و یک GGUF را صادر کنند که روی یک runtime CPU-friendly پرواز می‌کند. آن‌ها بدون اجاره یک مزرعه GPU، مشتری را تحت تأثیر قرار می‌دهند.

تیم سازمانی: آن‌ها به یک خط لوله قابل تکرار نیاز دارند که یک دانشمند داده بتواند آن را به یک مهندس ML تحویل دهد که آن را به یک تحلیلگر تحویل دهد—خب، منظور را متوجه شدید. رابط کاربری، دستورالعمل‌ها و حلقه ارزیابی LLaMA-Factory همه را در یک صفحه نگه می‌دارد. آن‌ها ممکن است شتاب‌دهنده‌ها را در زیر کاپوت پیچ کنند، اما تجربه ثابت باقی می‌ماند.

در مورد منوی مدل چطور؟

هر دو اردوگاه از طیف گسترده‌ای از خانواده‌های مدل پشتیبانی می‌کنند. LLaMA-Factory تبلیغ می‌کند که «بیش از 100 مدل» با مدیریت یکپارچه دارد. این برای زمانی عالی است که تیم شما بین LLaMA، Mistral، Qwen و غیره می‌پرد. README Unsloth مفتخر است که از «همه مدل‌ها از جمله TTS، STT، چندوجهی، BERT و غیره» پشتیبانی می‌کند، که نقش آن را به عنوان یک زیرلایه شتاب‌دهنده در سراسر روش‌ها، نه فقط LLMهای چت، برجسته می‌کند. اگر کار شما بین متن و صدا قرار دارد، گستردگی Unsloth می‌تواند یک ابرقدرت خاموش باشد.

آیا آن‌ها با هم خوب کار می‌کنند؟

در اینجا یک نکته جالب وجود دارد: لزوماً مجبور نیستید انتخاب کنید. هدف LLaMA-Factory این است که یک لایه رابط کاربری/هماهنگ‌سازی یکپارچه باشد، و برخی از نظرات اشاره می‌کنند که شتاب‌دهنده‌ها را ادغام می‌کند تا اینکه مستقیماً با آن‌ها رقابت کند. به عبارت دیگر، ممکن است از ویژگی‌های رابط کاربری و ارزیابی LLaMA-Factory استفاده کنید در حالی که برای کارهای سنگین به بهینه‌سازی‌های مشابه Unsloth تکیه می‌کنید—بهترین حالت برای هر دو جهان، ایبوپروفن کمتر.

هزینه‌ها، مجوزها و حروف کوچک

هزینه آموزش: بهینه‌سازی‌های Unsloth تمایل دارند زمان واقعی و الزامات VRAM را کاهش دهند، که اغلب به قبوض ابری کمتر—و اجراهای امکان‌پذیرتر روی GPUهای کالایی—تبدیل می‌شود.

ریسک پیچیدگی: با LLaMA-Factory، شما در حال تبادل کمی بینش در زیر کاپوت برای یک تجربه «فقط کار می‌کند» هستید. این معمولاً یک برد است—اما بدانید چه دستگیره‌هایی را می‌چرخانید اگر تنظیمات پیش‌فرض را تغییر دهید.

انجمن و اسناد: مخزن اسناد و رابط کاربری وب LLaMA-Factory اصطکاک ورود را کاهش می‌دهد. Unsloth به اسناد کد محور و آموزش‌های نوت‌بوک متکی است، که ممکن است «توسعه‌دهنده-محور» به نظر برسد اما به طرز طراوت بخشی مستقیم است.

Gotchas و عیب‌یابی: خردی که به سختی به دست آمده است

سراب VRAM: QLoRA می‌تواند مدل‌های عظیمی را در GPUهای کوچک امکان‌پذیر جلوه دهد… تا زمانی که طول دنباله، اندازه دسته‌ای و آداپتورهای شما به شما حمله کنند. کوچک شروع کنید، حافظه را در زمان واقعی تماشا کنید و مقیاس را افزایش دهید.

رژیم غذایی داده مهم‌تر از گرد و غبار جادویی است: هیچ بهینه‌سازی‌کننده‌ای نمی‌تواند یک مجموعه داده درهم‌وبرهم را اصلاح کند. قالب‌بندی تمیز، جفت‌های دستورالعمل-پاسخ ثابت و حذف تکراری دقیق، هر پرچم فانتزی را شکست می‌دهند.

ارزیابی از شغل‌ها محافظت می‌کند: مدلی را که روی وظایف واقعی خود آزمایش نکرده‌اید، منتشر نکنید. ارزیابی یکپارچه LLaMA-Factory این عادت را بدون درد می‌کند. با اتصال داشبورد معیارهای خود، همان را با Unsloth تکرار کنید.

خروجی‌ها خط‌مشی هستند: اگر به استنتاج محلی برای حفظ حریم خصوصی یا تأخیر نیاز دارید، از روز اول برای فرمت خروجی خود برنامه‌ریزی کنید. مسیرهای واضح Unsloth به GGUF/Ollama/vLLM می‌تواند بر انتخاب مدل‌های پایه و آداپتورهایی که انتخاب می‌کنید تأثیر بگذارد.

راهنمای خرید سریع

سازنده انفرادی با یک GPU، تشنه سرعت: Unsloth.

تیمی که به یک خط لوله استاندارد، بدون درام و داشبورد نیاز دارد: LLaMA-Factory.

هدف‌های استقرار مختلط یا عجیب و غریب: Unsloth برتری دارد.

آموزش یک کلاس یا ورود همکاران: رابط کاربری وب LLaMA-Factory هفت رشته Slack را ذخیره می‌کند.

نمی‌توانید تصمیم بگیرید؟ از LLaMA-Factory برای هماهنگ‌سازی و ردیابی آزمایش استفاده کنید، و در صورت پشتیبانی، شتاب را در زیر کاپوت بیاورید.

جایگاه Sider.AI کجاست

اگر در حال مدیریت درخواست‌ها، جمع‌آوری مثال‌ها یا مستندسازی آزمایش‌های آموزشی خود هستید، به کار اضافی دیگری نیاز ندارید، بلکه به یک دستیار نیاز دارید. Sider.AI در مرورگر شما اجرا می‌شود و می‌تواند به شما در تهیه پیش‌نویس درخواست‌ها، تولید مثال‌های سبک دستورالعملی و حتی خلاصه‌سازی گزارش‌های آموزشی به زبان انگلیسی ساده کمک کند تا خود آینده شما تعجب نکند، «چرا دوباره lr=2e-5 را تنظیم کردم؟» این یک موتور fine-tuning نیست، اما یک شریک فکری عالی برای بخش‌های برنامه‌ریزی و تجزیه و تحلیل گردش کار است. نکته اینجاست: با آن مانند یک نوت‌بوک پروژه رفتار کنید که پاسخ نیز می‌دهد. از آن بخواهید پنج چت مشتری را به جفت‌های دستورالعمل-پاسخ بازنویسی کند، یا یک چک‌لیست ارزیابی بر اساس رفتارهای هدف شما پیشنهاد دهد. وزن‌های شما را فشار نمی‌دهد، اما پیشرفت شما را پیش خواهد برد.

یک سناریوی نمایشی سریع و واقعی

هدف: Fine-tune یک مدل 7B برای پاسخ دادن به سؤالات صورت‌حساب به صورت مؤدبانه و مختصر.

داده: 10000 جفت پرسش و پاسخ انتخاب‌شده.

سخت‌افزار: یک GPU 24 گیگابایتی.

گزینه 1: Unsloth

1) مدل پایه را بارگیری کنید، QLoRA 4-bit را فعال کنید، با دنباله‌های کوتاه (512) و اندازه دسته‌ای متوسط شروع کنید. 2) برای چند دوره آموزش دهید، به GGUF صادر کنید. 3) Ollama را به صورت محلی برای دموهای بدون تأخیر بچرخانید. 4) از یک مجموعه اعتبارسنجی کوچک برای اندازه‌گیری سودمندی و دقت استفاده کنید. یک بار دیگر تکرار کنید. سریع، مرتب، قابل استقرار.

گزینه 2: LLaMA-Factory

1) با کلیک کردن در رابط کاربری وب راه خود را ادامه دهید: مدل پایه، آداپتورهای LoRA/QLoRA و دستورالعمل SFT را انتخاب کنید. 2) به مجموعه داده خود اشاره کنید. وظایف ارزیابی را تنظیم کنید. 3) اجرا کنید، معیارها را روی داشبورد نظارت کنید و با یک checkpoint قبلی مقایسه کنید. 4) اگر لحن درست نیست، با استفاده از برچسب‌های اولویت انسانی، یک اجرای DPO را جایگزین کنید. دردسر کمتر، قابلیت مشاهده بیشتر.

بنابراین… کدام یک را باید انتخاب کنید؟

اگر هوس سرعت خام، ردپاهای VRAM کمتر و مصنوعات دوستانه خروجی دارید و با زندگی در کد و نوت‌بوک راحت هستید، Unsloth را انتخاب کنید.

اگر یک خط لوله هدایت‌شده، قابل تکرار و تیمی با ارزیابی داخلی و یک رابط کاربری وب می‌خواهید که fine-tuning را کمتر شبیه جراحی کند، LLaMA-Factory را انتخاب کنید.

یا در جایی که منطقی است از آن‌ها با هم استفاده کنید. اکوسیستم‌ها دشمن نیستند. آن‌ها قطعات پازل هستند.

حرف آخر

Fine-tuning نباید یک تجربه ترامپولین در تاریکی باشد. Unsloth آچار فرانسه است که سریع‌تر می‌چرخد و سخت‌تر گاز می‌گیرد. LLaMA-Factory دفترچه راهنما با تصاویر بزرگ و یک صفحه عیب‌یابی مفید است. اگر دستورالعمل و محدودیت‌های سخت‌افزاری خود را می‌دانید، Unsloth شما را به سرعت به یک checkpoint محکم می‌رساند، با خروجی‌های تمیزی که می‌توانید واقعاً اجرا کنید. اگر در حال مقیاس‌بندی یک گردش کار در بین افراد، پروژه‌ها و مدل‌ها هستید، LLaMA-Factory به شما یک کابین خلبان پر از سنج می‌دهد تا بتوانید به جای آویزان شدن از بال، هواپیما را به پرواز درآورید.

در هر صورت، سه قانون fine-tuning شاد را به خاطر داشته باشید: داده‌های تمیز پرچم‌های هوشمندانه را شکست می‌دهند، ارزیابی احساسات را شکست می‌دهد و خروجی‌ها نظریه را شکست می‌دهند. این کار را انجام دهید، و مدل بعدی شما فقط fine-tune نخواهد شد—بلکه عالی خواهد بود.

سؤالات متداول

Q1: کدام یک برای fine-tuning LLM سریع‌تر است: Unsloth یا LLaMA-Factory؟ در بسیاری از تنظیمات GPU کوچک تا متوسط، بهینه‌سازی‌های کم‌دقت Unsloth می‌تواند زمان آموزش را کوتاه کند و فشار VRAM را کاهش دهد، بنابراین اغلب در عمل سریع‌تر احساس می‌شود. LLaMA-Factory نیز می‌تواند از شتاب‌دهنده‌ها استفاده کند، اما ابرقدرت آن هماهنگ‌سازی و ارزیابی است تا سرعت خام.

Q2: آیا LLaMA-Factory برای مبتدیان خوب است؟ بله. رابط کاربری وب، گردش‌های کاری بدون کد و ارزیابی داخلی آن، آن را برای مبتدیان مناسب می‌سازد، به خصوص اگر یک خط لوله fine-tuning قابل تکرار بدون تعقیب اسکریپت‌ها می‌خواهید. برای تیم‌هایی که فرآیندها را آموزش می‌دهند یا استاندارد می‌کنند ایده‌آل است.

Q3: آیا می‌توانم پس از fine-tuning به GGUF صادر کنم یا با Ollama اجرا کنم؟ نوت‌بوک‌های Unsloth Studio بر خروجی‌های تمیز به GGUF و استقرار آسان با Ollama یا vLLM تأکید دارند، که برای استنتاج محلی یا لبه عالی است. با LLaMA-Factory، اسناد را برای مسیرهای خروجی پشتیبانی‌شده مدل پایه خود بررسی کنید و از قبل برای runtime مورد نیاز خود برنامه‌ریزی کنید.

Q4: آیا Unsloth و LLaMA-Factory از QLoRA پشتیبانی می‌کنند؟ بله. هر دو از آموزش مبتنی بر آداپتور مانند LoRA/QLoRA پشتیبانی می‌کنند و به شما امکان می‌دهند مدل‌های بزرگ را روی GPUهای کوچکتر fine-tune کنید. نکته کلیدی این است که طول دنباله، اندازه دسته‌ای و آداپتورها را متعادل کنید تا از بودجه VRAM خود فراتر نروید.

Q5: آیا باید از Unsloth و LLaMA-Factory با هم استفاده کنم؟ می توانید. از LLaMA-Factory برای رابط کاربری، دستورالعمل‌ها و ارزیابی آن استفاده کنید و در صورت سازگاری، از شتاب در زیر کاپوت بهره ببرید. این یک راه عملی برای به دست آوردن هم سرعت و هم سادگی بدون چسباندن سه زنجیره ابزار مختلف به یکدیگر است.