多模态大模型垂直微调实战：基于Qwen3-VL-4B-Thinking与 Llama Factory的完整指南

本质转变：从"人工规则驱动"转向"模型能力驱动"，将文档理解的复杂性内化为模型参数，而非外化为工程代码。

二 多模态基座模型选择

• 多模态模型选择需要考虑的前置条件为输入的数据模态、目标任务、本地化部署需求。

2.1 多模态模型对比表

2.2 选型建议矩阵

2.3 微调与部署视角选择

• 多模态模型的选型应遵循"场景适配优先"原则，而非单纯追求性能最优：

• 企业选型框架：需综合评估输入数据模态、输出结构化要求及部署约束条件，选择兼具适配性、可控性与可扩展性的技术生态，避免盲目追逐前沿指标而忽视落地可行性。

三 Qwen3-VL-4B-Thinking理解微调（Llama Factory）

3.1 数据集制作

• 完整优化后的数据集已上传到modelscope XFUND-Chinese
• XFUND：多语言形式理解基准 1.0 zh.train，其中包含众多表格图片，适合进行图表、图片内容提取和整理。

1. 使用Easy DataSet工具构建数据集，将图片解压后导入Easy DataSet图片管理模块，并使用qwen3.5-plus模型进行数据集构建。关于项目创建和项目模型的配置过程，请自行探索完成。

选择图片，编辑问题模版，填写提问题内容，具体内容如下：

请仔细分析图片中的表单，提取所有字段及其对应值，按照表单的逻辑结构组织成层次化的 JSON 格式返回。要求：1. 识别并提取表单中的所有字段和对应值，包括填写的内容和选择的选项；2. 根据表单的实际结构，将相关字段归类到适当的子对象中；3. 确保键名清晰准确，反映字段的实际含义；4. 生成严格的 JSON 格式，不含任何额外文本；5. 信息提取必须完整、准确，键值对匹配正确。仅返回 JSON 内容。 

3. 将导出的json文件更名为qwen3_vl_4B_train.json，导出的内容中图片路径/images/...，手动批量替换为images/...。（注意这里并非最终llama factory训练使用的格式【存在兼容问题】）

选择导出，格式选择Alpaca格式，并打包图片一块儿导出。

在数据集模块中选择图片问答数据集，进行查看。

[{"instruction":"请仔细分析图片中的表单，提取所有字段及其对应值，按照表单的逻辑结构组织成层次化的 JSON 格式返回。要求：1. 识别并提取表单中的所有字段和对应值，包括填写的内容和选择的选项；2. 根据表单的实际结构，将相关字段归类到适当的子对象中；3. 确保键名清晰准确，反映字段的实际含义；4. 生成严格的 JSON 格式，不含任何额外文本；5. 信息提取必须完整、准确，键值对匹配正确。仅返回 JSON 内容。","input":"","output":"{\n \"基本信息\": {\n \"女方\": {\n \"姓名\": \"胡青\",\n \"联系电话\": \"15548956960\",\n \"公民身份号码\": \"152027199602130556\",\n \"户籍地\": \"北京市潘弓村第一大街656号\",\n \"现居住地\": \"北京市潘弓村第一大街656号\",\n \"工作单位\": \"北京市潘弓村小学\"\n },\n \"男方\": {\n \"姓名\": \"任洪强\",\n \"联系电话\": \"15656658584\",\n \"公民身份号码\": \"152027099602030041\",\n \"户籍地\": \"北京市潘弓村第一大街633号\",\n \"现居住地\": \"北京市潘弓村第一大街656号\",\n \"工作单位\": \"北京市潘弓村医院\"\n }\n },\n \"婚姻状况\": {\n \"婚姻类型\": \"双方初婚\",\n \"结婚时间\": \"2005年11月5日\",\n \"结婚证号\": \"J110105-5689-525846\"\n },\n \"子女情况\": {\n \"子女数量\": {\n \"总数\": \"1个\",\n \"亲生\": \"1个\",\n \"其他\": \"(新开户免填)\"\n },\n \"第一个子女\": {\n \"姓名\": \"任亚杰\",\n \"性别\": \"男\",\n \"出生日期\": \"2006年1月2日\"\n }\n },\n \"妊娠情况\": {\n \"状态\": \"未孕\"\n },\n \"已生育补登记\": {\n \"新生儿姓名\": \"(新开户免填)\",\n \"性别\": \"(新开户免填)\",\n \"孩次\": \"(新开户免填)\",\n \"出生医学证明编号\": \"(新开户免填)\",\n \"出生日期\": \"(新开户免填)\",\n \"健康情况\": \"(新开户免填)\",\n \"出生地点\": \"(新开户免填)\"\n },\n \"声明与承诺\": {\n \"内容\": \"男女双方系合法夫妻，共有1个子女，其中亲生1个。现依法登记生育第2个子女。我们承诺以上所填信息及提供的材料真实有效，如有不实，愿承担相应法律后果。导致违法生育的，同意按最高标准征收社会抚养费。\"\n },\n \"签署信息\": {\n \"承诺人（签名、指纹）\": \"任洪强\",\n \"女方\": \"胡青\",\n \"男方\": \"任洪强\",\n \"代办人\": \"王志刚\",\n \"代办人身份证号及联系方式\": \"152027099602030041\",\n \"日期\": \"2019年1月20日\"\n },\n \"备注\": \"以上内容由登记对象填写\"\n}","images":["images/zh_train_99.jpg"]},

6. 将其转化为sharegpt格式（经过实践验证可以正常训练）

python convert_to_sharegpt.py qwen3_vl_4B_train.json qwen3_vl_4B_train_converted.json 

• convert_to_sharegpt.py

""" Convert Alpaca format to ShareGPT format for multimodal training. """import json import sys defconvert_alpaca_to_sharegpt(input_file, output_file):withopen(input_file,'r', encoding='utf-8')as f: data = json.load(f) converted =[]for item in data:# Build user content with <image> token instruction = item.get('instruction','') input_text = item.get('input','')# Combine instruction and input user_content = instruction if input_text: user_content +='\n'+ input_text # Add <image> token at the beginning for multimodal user_content ='<image>\n'+ user_content # Get assistant response assistant_content = item.get('output','')# Build messages in ShareGPT format messages =[{'role':'user','content': user_content},{'role':'assistant','content': assistant_content}]# Build converted item converted_item ={'messages': messages,'images': item.get('images',[])} converted.append(converted_item)withopen(output_file,'w', encoding='utf-8')as f: json.dump(converted, f, ensure_ascii=False, indent=2)print(f"Converted {len(converted)} items from {input_file} to {output_file}")if __name__ =='__main__':iflen(sys.argv)!=3:print("Usage: python convert_to_sharegpt.py <input_file> <output_file>") sys.exit(1) convert_alpaca_to_sharegpt(sys.argv[1], sys.argv[2])

• 转化后的内容：

[{"messages":[{"role":"user","content":"<image>\n请仔细分析图片中的表单，提取所有字段及其对应值，按照表单的逻辑结构组织成层次化的 JSON 格式返回。要求：1. 识别并提取表单中的所有字段和对应值，包括填写的内容和选择的选项；2. 根据表单的实际结构，将相关字段归类到适当的子对象中；3. 确保键名清晰准确，反映字段的实际含义；4. 生成严格的 JSON 格式，不含任何额外文本；5. 信息提取必须完整、准确，键值对匹配正确。仅返回 JSON 内容。"},{"role":"assistant","content":"{\n \"基本信息\": {\n \"女方\": {\n \"姓名\": \"胡青\",\n \"联系电话\": \"15548956960\",\n \"公民身份号码\": \"152027199602130556\",\n \"户籍地\": \"北京市潘弓村第一大街656号\",\n \"现居住地\": \"北京市潘弓村第一大街656号\",\n \"工作单位\": \"北京市潘弓村小学\"\n },\n \"男方\": {\n \"姓名\": \"任洪强\",\n \"联系电话\": \"15656658584\",\n \"公民身份号码\": \"152027099602030041\",\n \"户籍地\": \"北京市潘弓村第一大街633号\",\n \"现居住地\": \"北京市潘弓村第一大街656号\",\n \"工作单位\": \"北京市潘弓村医院\"\n }\n },\n \"婚姻状况\": {\n \"婚姻类型\": \"双方初婚\",\n \"结婚时间\": \"2005年11月5日\",\n \"结婚证号\": \"J110105-5689-525846\"\n },\n \"子女情况\": {\n \"子女数量\": {\n \"总数\": \"1个\",\n \"亲生\": \"1个\",\n \"其他\": \"(新开户免填)\"\n },\n \"第一个子女\": {\n \"姓名\": \"任亚杰\",\n \"性别\": \"男\",\n \"出生日期\": \"2006年1月2日\"\n }\n },\n \"妊娠情况\": {\n \"状态\": \"未孕\"\n },\n \"已生育补登记\": {\n \"新生儿姓名\": \"(新开户免填)\",\n \"性别\": \"(新开户免填)\",\n \"孩次\": \"(新开户免填)\",\n \"出生医学证明编号\": \"(新开户免填)\",\n \"出生日期\": \"(新开户免填)\",\n \"健康情况\": \"(新开户免填)\",\n \"出生地点\": \"(新开户免填)\"\n },\n \"声明与承诺\": {\n \"内容\": \"男女双方系合法夫妻，共有1个子女，其中亲生1个。现依法登记生育第2个子女。我们承诺以上所填信息及提供的材料真实有效，如有不实，愿承担相应法律后果。导致违法生育的，同意按最高标准征收社会抚养费。\"\n },\n \"签署信息\": {\n \"承诺人（签名、指纹）\": \"任洪强\",\n \"女方\": \"胡青\",\n \"男方\": \"任洪强\",\n \"代办人\": \"王志刚\",\n \"代办人身份证号及联系方式\": \"152027099602030041\",\n \"日期\": \"2019年1月20日\"\n },\n \"备注\": \"以上内容由登记对象填写\"\n}"}],"images":["images/zh_train_99.jpg"]},

3.2 实验平台租用和基本环境配置

使用优云智算上租用单卡A800进行实验。

0. 配置网络加速：临时修改 DNS（立即生效，重启后失效）​。

sudovim /etc/resolv.conf 删除原有nameserver行，添加以下内容 nameserver 100.90.90.90 nameserver 100.90.90.100 

1. 安装mini anaconda

cd ~ wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh 

• 接受 license：输入 yes。
• 安装路径推荐直接按回车（默认在 /home/ubuntu/miniconda3）。
• 初始化 conda：输入 yes。

2. 创建虚拟环境，安装llama factory。

conda create --name llama_factory python==3.11 conda activate llama_factory git clone --depth1 https://github.com/hiyouga/LlamaFactory.git cd LLaMA-Factory pip install-e. pip install-r requirements/metrics.txt pip install-r requirements/swanlab.txt llamafactory-cli version 

2. 模型下载：安装modelscope。

mkdir base_model cd bas_model pip install modelscope modelscope download --model Qwen/Qwen3-VL-4B-Thinking --local_dir ./Qwen3-VL-4B-Thinking 

3.3 数据集上传和注册

1. 将qwen3_vl_4B_train_converted.json上传到/home/ubuntu/LLaMA-Factory/data目录下，在data目录下新建images目录存放所有图片。

(base) ubuntu@10-60-22-22:~/LLaMA-Factory/data$ tree . ├── convert_to_sharegpt.py ├── dataset_info.json ├── qwen3_vl_4B_train.json ├── qwen3_vl_4B_train_converted.json ├── images #图片目录

2. 在dataset_info.json中注册数据集信息。

{"qwen3_vl_4B_train":{"file_name":"qwen3_vl_4B_train_converted.json", "formatting":"sharegpt", "columns":{"messages":"messages", "images":"images"}, "tags":{"role_tag":"role", "content_tag":"content", "user_tag":"user", "assistant_tag":"assistant"}}, "identity":{"file_name":"identity.json"}, 

3.4 启动llama factory和网页访问

cd LLaMA-Factory nohup llamafactory-cli webui > webui.log 2>&1&

虽然优云智算平台提供服务器公网ip，如果不想配置防火墙或者不想将服务暴露到公网，可以使用gmssh客户端的浏览器功能使用内网ip进行访问和使用。

安装使用trae工具，远程链接服务器，输入密码，然后选择LLaMA-Factory目录，进行代码编辑和查阅。

3.5 关键训练参数可视化配置

选择预览预览命令，并保存训练配置，然后点击训练开始即可，大约需要1h。

swanlab登录和日志记录。

llamafactory-cli train \--stage sft \--do_train True \--model_name_or_path base_model/Qwen3-VL-4B-Thinking \--preprocessing_num_workers16\--finetuning_type lora \--template qwen3_vl \--flash_attn auto \--dataset_dir data \--dataset qwen3_vl_4B_train \--cutoff_len2048\--learning_rate 5e-05 \--num_train_epochs30.0\--max_samples100000\--per_device_train_batch_size2\--gradient_accumulation_steps8\--lr_scheduler_type cosine \--max_grad_norm1.0\--logging_steps5\--save_steps100\--warmup_steps0\--packing False \--enable_thinking True \--report_to none \--use_swanlab True \--output_dir saves/Qwen3-VL-4B-Thinking/lora/train_2026-02-28-17-55-16 \--bf16 True \--plot_loss True \--trust_remote_code True \--ddp_timeout180000000\--include_num_input_tokens_seen True \--optim adamw_torch \--lora_rank8\--lora_alpha16\--lora_dropout0\--lora_target all \--freeze_vision_tower True \--freeze_multi_modal_projector True \--image_max_pixels589824\--image_min_pixels1024\--video_max_pixels65536\--video_min_pixels256\--swanlab_project qwen3vl-4B-ft \--swanlab_run_name qwen3vl-4B-ft \--swanlab_workspace xxx \--swanlab_mode cloud 

3.6 模型效果使用体验

• 上传图片，输入问题，尽量保持问题与训练的问题一致。

选择对话，输入检查点路径，然后加载模型。

请仔细分析图片中的表单，提取所有字段及其对应值，按照表单的逻辑结构组织成层次化的 JSON 格式返回。要求：1. 识别并提取表单中的所有字段和对应值，包括填写的内容和选择的选项；2. 根据表单的实际结构，将相关字段归类到适当的子对象中；3. 确保键名清晰准确，反映字段的实际含义；4. 生成严格的 JSON 格式，不含任何额外文本；5. 信息提取必须完整、准确，键值对匹配正确。仅返回 JSON 内容。 

3.7 模型导出