多模态大模型垂直微调：基于 Qwen3-VL-4B-Thinking 与 Llama Factory

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至 modelscope。
• 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. 使用数据集构建工具构建数据集，将图片解压后导入图片管理模块，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：

[图片]

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。

[图片]

在数据集模块中选择图片问答数据集，进行查看。

[图片]

[{"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

def convert_alpaca_to_sharegpt(input_file, output_file):
    with open(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)
    with open(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__':
    if len(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

使用云服务平台上租用单卡 A800 进行实验。

[图片]

0. 配置网络加速：临时修改 DNS（立即生效，重启后失效）。

sudo vim /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 --depth 1 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 base_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 &

虽然云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 SSH 客户端的浏览器功能使用内网 ip 进行访问和使用。

[图片]

[图片]

安装使用远程连接工具，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。

[图片]

3.5 关键训练参数可视化配置

[图片]

选择预览命令，并保存训练配置，然后点击训练开始即可，大约需要 1h。

[图片]

swanlab 登录和日志记录。

[图片]

llamafactory-cli train \
--stage sft \
--do_train True \
--model_name_or_path base_model/Qwen3-VL-4B-Thinking \
--preprocessing_num_workers 16 \
--finetuning_type lora \
--template qwen3_vl \
--flash_attn auto \
--dataset_dir data \
--dataset qwen3_vl_4B_train \
--cutoff_len 2048 \
--learning_rate 5e-05 \
--num_train_epochs 30.0 \
--max_samples 100000 \
--per_device_train_batch_size 2 \
--gradient_accumulation_steps 8 \
--lr_scheduler_type cosine \
--max_grad_norm 1.0 \
--logging_steps 5 \
--save_steps 100 \
--warmup_steps 0 \
--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_timeout 180000000 \
--include_num_input_tokens_seen True \
--optim adamw_torch \
--lora_rank 8 \
--lora_alpha 16 \
--lora_dropout 0 \
--lora_target all \
--freeze_vision_tower True \
--freeze_multi_modal_projector True \
--image_max_pixels 589824 \
--image_min_pixels 1024 \
--video_max_pixels 65536 \
--video_min_pixels 256 \
--swanlab_project qwen3vl-4B-ft \
--swanlab_run_name qwen3vl-4B-ft \
--swanlab_workspace <workspace> \
--swanlab_mode cloud

[图片]

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。

[图片]

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。

[图片]

[图片]

3.7 模型导出

[图片]