LLaMA-Factory 大模型微调平台

• 测试

# 确认安装正常 $ llamafactory-cli train -h # 确认 GPU 和 CUDA 环境正常 $ python import torch torch.cuda.current_device() torch.cuda.get_device_name(0) torch.__version__ 

• 测试推理

$ pip install modelscope $ modelscope download --model LLM-Research/Meta-Llama-3-8B-Instruct --local_dir /workspace/Meta-Llama-3-8B-Instruct $ pip install -U bitsandbytes -i https://pypi.tuna.tsinghua.edu.cn/simple $ vim test-inf.py import torch import warnings from transformers import AutoTokenizer, AutoModelForCausalLM, BitsAndBytesConfig # ===================== 核心修复：屏蔽警告 + 强制锁定GPU ===================== warnings.filterwarnings('ignore', category=UserWarning, module='torch.cuda') torch.cuda.set_device(0) device ="cuda:0"if torch.cuda.is_available()else"cpu"# ===============================================================================# ===================== 4bit量化配置（补装库后正常生效） ===================== bnb_config = BitsAndBytesConfig(load_in_4bit=True, bnb_4bit_compute_dtype=torch.bfloat16, bnb_4bit_use_double_quant=True, bnb_4bit_quant_type="nf4")# ===============================================================================# ===================== 加载模型和Tokenizer ===================== model_id ="/workspace/Meta-Llama-3-8B-Instruct" tokenizer = AutoTokenizer.from_pretrained(model_id) tokenizer.pad_token = tokenizer.eos_token # ===============================================================================# ===================== 加载量化模型 ===================== model = AutoModelForCausalLM.from_pretrained( model_id, quantization_config=bnb_config, torch_dtype=torch.bfloat16, device_map=device, trust_remote_code=True, low_cpu_mem_usage=True )# ===============================================================================# 验证GPU加载 assert next(model.parameters()).device == torch.device(device), "模型加载失败！未使用GPU！" print(f"✅ 模型已100%加载到 GPU → {torch.cuda.get_device_name(0)}") print(f"✅ PyTorch版本: {torch.__version__} | CUDA版本: {torch.version.cuda}") print(f"✅ 运行模式: 4bit无损量化 | 显存占用≈8.5GB (减半)")# 原有对话逻辑 messages =[{"role":"system", "content":"You are a pirate chatbot who always responds in pirate speak!"}, {"role":"user", "content":"Who are you?"}, ] prompt = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True) inputs = tokenizer(prompt, return_tensors="pt").to(device) terminators =[tokenizer.eos_token_id, tokenizer.convert_tokens_to_ids("<|eot_id|>")] outputs = model.generate( **inputs, max_new_tokens=256, eos_token_id=terminators, do_sample=True, temperature=0.6, top_p=0.9, pad_token_id=tokenizer.eos_token_id ) response = tokenizer.decode(outputs[0][len(inputs["input_ids"][0]):], skip_special_tokens=True) print("\n===== 🏴‍☠️ 海盗机器人回答 🏴‍☠️ =====") print(response) $ python test-inf.py `torch_dtype` is deprecated! Use `dtype` instead! Loading checkpoint shards: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████|4/4 [01:27<00:00, 21.92s/it] ✅ 模型已100%加载到 GPU → NVIDIA GB10 ✅ PyTorch版本: 2.9.1+cu130 | CUDA版本: 13.0 ✅ 运行模式: 4bit无损量化 | 显存占用≈8.5GB (减半)===== 🏴‍☠️ 海盗机器人回答 🏴‍☠️ ===== Arrrr, me hearty! Me name be Captain Chatbot, the scourge o' the seven seas... o' text-based conversations, that is! I be a swashbucklin' bot, here to chart a course through the choppy waters o' language, helpin' ye navigate the treacherous tides o' syntax and grammar. So hoist the colors, me hearty, and let's set sail fer a chat that'll make ye walk the plank fer more!

• 测试 WebUI

$ CUDA_VISIBLE_DEVICES=0 llamafactory-cli webchat \ --model_name_or_path /workspace/Meta-Llama-3-8B-Instruct \ --template llama3 * Running on local URL: http://0.0.0.0:7860 $ telnet localhost 7860

• model_name_or_path：huggingface 或 modelscope 的模型名称，如 meta-llama/Meta-Llama-3-8B-Instruct；或者是本地下载的绝对路径。

template：模型问答时所使用的 prompt 模板，不同模型使用各自的模版，否则会出现回答结果重复生成等奇怪现象。比如 Meta-Llama-3-8B 的 template 就是 llama3

准备数据集

打开 WebUI：

cd LlamaFactory/ exportUSE_MODELSCOPE_HUB=1 llamafactory-cli webui * Running on local URL: http://0.0.0.0:7860 

魔搭社区集成了相当丰富的中文数据集，有很多分类可以选。

• https://www.modelscope.cn/datasets

找一个角色扮演的数据集来微调（方便查看效果）。

https://www.modelscope.cn/datasets/kmno4zx/huanhuan-chat

在数据预览这里查看详细数据。

注意，llama-factory 目前只支持两种格式的数据集：Alpaca 和 Sharegpt 格式。

https://github.com/hiyouga/LlamaFactory/tree/v0.9.1/data

切换到数据集文件这边，打开 huanhuan.json 文件，看到它其实就是 Alpaca 格式的数据集，仅下载这一个文件即可。

在 llama-factory 添加数据集，不仅要把数据文件放到 data 目录下，还需要在配置文件 dataset_info.json 里面添加一条该数据集的记录。这样，新添加的数据集才能被 llama-factory 识别到。

这里保存之后，webui 那边会实时更新，不需要重启。

执行微调

微调 Qwen3-1.7B-Base 基础大模型，方法选用 LoRA。

• Base 基础预训练模型。
• 没有经过指令微调。
• 适合继续预训练或指令微调。
• Base 通常情况下输出质量不如 Instruct 版本。

• 使用 huanhuan 数据集。
• 先训练 1 轮看看效果，如果效果不理想再多训练几轮。如果 SFT 样本较少，可以设置较大 Epoch。较小 Epoch 的 loss 会不收敛，较大 Epoch 会容易导致过拟合，但过拟合要优于欠拟合。如果 SFT 样本数量较多，如在十万以上，一般 2 个 Epoch 即可收敛。
• 学习率控制模型权重更新步幅的参数，按照经验来讲， LoRA 选择在 1e-5 ~ 2e-5。
• 由于数据集都是一些短问答，可以把截断长度设置小一点，为 1024（默认是 2048）。
• 梯度累计设置为 4。

计算类型选择 BF16，暂不支持 FP4。

预热步数是学习率预热采用的步数，通常设置范围在 2-8 之间，这里配置为 4。

继续设置 LoRA 微调参数：

• LoRA 秩：可以看作学习的广度，越大学习的东西越多，微调之后的效果可能会越好，但是也不是越大越好。太大的话容易造成过拟合（书呆子，照本宣科，不知变通），这里设置为 8。
• LoRA 缩放系数：可以看作学习强度，越大效果可能会越好，对于一些用于复杂场景的数据集可以设置更大一些，简单场景的数据集可以稍微小一点。这里设置 256。

预览训练指令并开始训练。

llamafactory-cli train \ --stage sft \ --do_train True \ --model_name_or_path Qwen/Qwen3-1.7B-Base \ --preprocessing_num_workers 16\ --finetuning_type lora \ --template qwen3 \ --flash_attn auto \ --dataset_dir data \ --dataset huanhuan \ --cutoff_len 1024\ --learning_rate 5e-05 \ --num_train_epochs 4.0\ --max_samples 100000\ --per_device_train_batch_size 2\ --gradient_accumulation_steps 4\ --lr_scheduler_type cosine \ --max_grad_norm 1.0\ --logging_steps 5\ --save_steps 100\ --warmup_steps 4\ --packing False \ --enable_thinking True \ --report_to none \ --output_dir saves/Qwen3-1.7B-Base/lora/train_2026-01-02-06-40-31 \ --bf16 True \ --plot_loss True \ --trust_remote_code True \ --ddp_timeout 180000000\ --include_num_input_tokens_seen True \ --optim adamw_torch \ --adapter_name_or_path saves/Qwen3-1.7B-Base/lora/train_2026-01-02-06-01-20 \ --lora_rank 8\ --lora_alpha 256\ --lora_dropout 0\ --lora_target all 

• stage：指示当前训练的阶段，枚举值 sft、pt、rm、ppo 等，这里我们是有监督指令微调，所以是 sft。
• do_train：是否是训练模式。
• dataset：使用的数据集。
• dataset_dir：数据集所在目录，这里是 data。
• finetuning_type：微调训练的类型，枚举值 lora、full、freeze 等，这里使用 lora。
• output_dir：训练 Checkpoint 保存的位置。
• cutoff_len：训练数据集的长度截断。
• per_device_train_batch_size：每个设备上的 batch size，最小是 1，如果 GPU 显存够大，可以适当增加。
• bf16：训练数据精度格式。
• max_samples：每个数据集采样多少数据。
• val_size：随机从数据集中抽取多少比例的数据作为验证集。
• logging_steps：定时输出训练日志，包含当前 loss，训练进度等。
• adapter_name_or_path：LoRA 适配器路径。

开始之后，会启动一个新的训练进程。

$ ps -ef UID PID PPID C STIME TTY TIME CMD root 437212019:59 pts/1 00:00:56 /usr/bin/python /usr/local/bin/llamafactory-cli webui root 502437521:38 pts/1 00:00:23 /usr/bin/python /usr/local/bin/llamafactory-cli train saves/Qwen3-1.7B-Base/lora/train_2026-01-02-19-59-30/training_args.yam 

如果本地没有找到模型，会先自动下载模型：

[INFO|2026-01-02 21:38:43] llamafactory.hparams.parser:465 >> Process rank: 0, world size: 1, device: cuda:0, distributed training: False, compute dtype: torch.bfloat16 Downloading Model from https://www.modelscope.cn to directory: /root/.cache/modelscope/hub/models/Qwen/Qwen3-1.7B-Base 

开始训练后可以查看进度条和损失值曲线。

看到类似下面 '训练完毕' 就代表微调成功。

微调成功后，我们得到了一个 Checkpoint 记录，下拉可以选择刚刚微调好的模型。

Checkpoing 在后台的存储位置是 saves/Qwen3-1.7B-Base/lora/：

• adapter 开头的是 LoRA 适配器结果，后续用于模型推理融合。
• training_loss 和 trainer_log 等记录了训练过程中的指标。
• 其他是训练时各种参数的备份。

$ ll saves/Qwen3-1.7B-Base/lora/train_2026-01-02-06-01-20/ total 50012 drwxr-xr-x 17 root root 4096 Jan 222:16 ./ drwxr-xr-x 5 root root 4096 Jan 222:40 ../ -rw-r--r-- 1 root root 1518 Jan 222:16 README.md -rw-r--r-- 1 root root 966 Jan 222:16 adapter_config.json -rw-r--r-- 1 root root 34916720 Jan 222:16 adapter_model.safetensors -rw-r--r-- 1 root root 707 Jan 222:16 added_tokens.json -rw-r--r-- 1 root root 240 Jan 222:16 all_results.json -rw-r--r-- 1 root root 4116 Jan 222:16 chat_template.jinja drwxr-xr-x 2 root root 4096 Jan 222:03 checkpoint-100/ drwxr-xr-x 2 root root 4096 Jan 222:12 checkpoint-1000/ drwxr-xr-x 2 root root 4096 Jan 222:13 checkpoint-1100/ drwxr-xr-x 2 root root 4096 Jan 222:14 checkpoint-1200/ drwxr-xr-x 2 root root 4096 Jan 222:15 checkpoint-1300/ drwxr-xr-x 2 root root 4096 Jan 222:16 checkpoint-1400/ drwxr-xr-x 2 root root 4096 Jan 222:16 checkpoint-1401/ drwxr-xr-x 2 root root 4096 Jan 222:04 checkpoint-200/ drwxr-xr-x 2 root root 4096 Jan 222:05 checkpoint-300/ drwxr-xr-x 2 root root 4096 Jan 222:06 checkpoint-400/ drwxr-xr-x 2 root root 4096 Jan 222:07 checkpoint-500/ drwxr-xr-x 2 root root 4096 Jan 222:08 checkpoint-600/ drwxr-xr-x 2 root root 4096 Jan 222:09 checkpoint-700/ drwxr-xr-x 2 root root 4096 Jan 222:10 checkpoint-800/ drwxr-xr-x 2 root root 4096 Jan 222:11 checkpoint-900/ -rw-r--r-- 1 root root 2258 Jan 222:02 llamaboard_config.yaml -rw-r--r-- 1 root root 1671853 Jan 222:16 merges.txt -rw-r--r-- 1 root root 81222 Jan 222:16 running_log.txt -rw-r--r-- 1 root root 613 Jan 222:16 special_tokens_map.json -rw-r--r-- 1 root root 11422654 Jan 222:16 tokenizer.json -rw-r--r-- 1 root root 5431 Jan 222:16 tokenizer_config.json -rw-r--r-- 1 root root 240 Jan 222:16 train_results.json -rw-r--r-- 1 root root 67870 Jan 222:16 trainer_log.jsonl -rw-r--r-- 1 root root 81507 Jan 222:16 trainer_state.json -rw-r--r-- 1 root root 6289 Jan 222:16 training_args.bin -rw-r--r-- 1 root root 735 Jan 222:02 training_args.yaml -rw-r--r-- 1 root root 48990 Jan 222:16 training_loss.png -rw-r--r-- 1 root root 2776833 Jan 222:16 vocab.json 

把窗口切换到 chat，可以点击加载模型。

加载好之后就可以在输入框发送问题，测试微调模型的效果。

[INFO|modeling_utils.py:1169]2026-01-02 21:53:37,228 >> loading weights file /root/.cache/modelscope/hub/models/Qwen/Qwen3-1___7B-Base/model.safetensors 

对 LoRA 微调模型进行推理，需要应用动态合并 LoRA 适配器的推理技术。需要通过 finetuning_type 参数告诉使用了 LoRA 训练，然后将 LoRA 的模型位置通过 adapter_name_or_path 参数即可。

--finetuning_type lora \ --adapter_name_or_path saves/Qwen3-1.7B-Base/lora/train_2026-01-02-06-01-20 \

但是渲染只训练了一次的效果很差。

如果想切换回微调之前的模型，只需先卸载模型，选择想要的 Checkpoint，然后再加载模型即可。

如果想重新微调，需要修改红框中的两个值。

在经过 3 个 Epoch 的训练之后，效果也越好越好了。

批量推理和训练效果评估

上文中的人工交互测试实际上并不严谨，通常我们需要进行自动化的批量测试。例如：使用自动化的 bleu 和 rouge 等常用的文本生成指标来做评估。

pip install jieba pip install rouge-chinese pip install nltk 

与训练脚本主要的参数区别如下 3 个：

• do_predict：现在是预测模式。
• predict_with_generate：现在用于生成文本。
• max_samples：每个数据集采样多少用于预测对比。

llamafactory-cli train \ --stage sft \ --model_name_or_path Qwen/Qwen3-1.7B-Base \ --preprocessing_num_workers 16\ --finetuning_type lora \ --quantization_method bnb \ --template qwen3 \ --flash_attn auto \ --dataset_dir data \ --eval_dataset huanhuan \ --cutoff_len 1024\ --max_samples 100000\ --per_device_eval_batch_size 4\ --predict_with_generate True \ --report_to none \ --max_new_tokens 512\ --top_p 0.7\ --temperature 0.95\ --output_dir saves/Qwen3-1.7B-Base/lora/eval_2026-01-02-19-59-30 \ --trust_remote_code True \ --ddp_timeout 180000000\ --do_predict True \ --adapter_name_or_path saves/Qwen3-1.7B-Base/lora/train_2026-01-02-06-40-31 

完成后查看微调质量评估结果，下面是训练效果评估指标。
质量类指标：BLEU-4 + ROUGE-1/2/L，衡量模型生成文本的好坏、和标准答案的匹配度、内容质量优劣。

• BLEU-4（Bilingual Evaluation Understudy）：是一种常用的用于评估机器翻译质量的指标。BLEU-4 表示四元语法 BLEU 分数，它衡量模型生成文本与参考文本之间的 n-gram 匹配程度，其中 n=4。值越高表示生成的文本与参考文本越相似，最大值为 100%。如下，BLEU-4=0.8539 属于高分，说明模型生成的文本，和标准答案的语义贴合度极高、核心信息无遗漏、表达逻辑一致，对于 8B 量级的开源大模型，这个分数是优秀水平。
• predict_rouge-1（Recall-Oriented Understudy for Gisting Evaluation）：是一种用于评估自动摘要和文本生成模型性能的指标。ROUGE-1 表示一元 ROUGE 分数，衡量模型生成文本与参考文本之间的单个词序列的匹配程度，即：词汇层面的匹配度，看生成文本有没有用到标准答案里的核心词。值越高表示生成的文本与参考文本越相似，最大值为 100。如下，rouge-1=10.37 属于高分，模型能精准捕捉到标准答案里的核心关键词，生成内容不会偏离主题，这是优质模型的核心特征。
• predict_rouge-2：ROUGE-2 表示二元 ROUGE 分数，衡量模型生成文本与参考文本之间的双词序列的匹配程度，即：短语 / 短句层面的匹配度。同上，最大值为 100。如下，rouge-2=1.67 分数偏低，但这是正常现象，ROUGE-2 要求连续两个词和标准答案完全一致，而大模型的优势是语义一致但表达多样化的泛化能力。大模型使用不同的短语表达相同的意思，这是生成能力的体现，不是缺陷。如果 rouge-2 分数很高，反而说明模型在的泛化能力极差。
• predict_rouge-l：ROUGE-L 表示最长公共子序列匹配率，衡量模型生成文本与参考文本之间最长公共子序列（Longest Common Subsequence）的匹配程度，即：整句的语义连贯性和语序一致性。同上，最大值为 100。如下，rouge-L=4.10 中等分数，表示模型生成的文本语义完整、逻辑通顺，虽然句式和标准答案不同，但核心信息完整、语序合理，能准确回答问题。

如果是文本摘要任务，那么 rouge-1 一般 20-40，rouge-2 5-15，rouge-L 10-25；如果是开放问答 / 对话 / 指令遵循任务，那么 rouge-1 8-15，rouge-2 1-3，rouge-L 3-6。下列数值完全落在这个区间内，是标准水平。

性能类指标：耗时 / 吞吐量 / 加载时间，衡量模型推理速度、效率、硬件利用率。

• predict_model_preparation_time：表示模型加载和预热（显存初始化）的耗时。如下，0.002s 是优秀的数值。
• predict_runtime：本次批量推理的总耗时，单位为秒。如下，15356秒 ≈ 4 小时 16 分钟。
• predict_samples_per_second：每秒推理生成的样本数量，推理吞吐量核心指标的核心指标，表示模型每秒钟能够生成的样本数量。用于评估模型的推理速度。如下，0.243 样本/秒，表示模型平均每 4.1 秒处理 1 条推理样本。
• predict_steps_per_second：每秒执行的 step 数量，模型每秒钟能够执行的 step 数量。模型每生成一个 token 就是一个 step。如下，0.061 step/s 表示每秒生成约 0.061 个 token。

通过对比 1 Epoch 和 3 Epoch 微调的结果可以看出，多轮训练后的效果会更好一些。

3 Epoch

1 Epoch

训练后也会在 output_dir 下看到如下新文件：

• generated_predictions.jsonl：输出了要预测的数据集的原始 label 和模型 predict 的结果。
• predict_results.json：给出了原始 label 和模型 predict 的结果，用自动计算的指标数据。

$ ll saves/Qwen3-1.7B-Base/lora/eval_2026-01-02-19-59-30 -rw-r--r-- 1 root root 331 Jan 3 03:36 all_results.json -rw-r--r-- 1 root root 8123325 Jan 3 03:36 generated_predictions.jsonl -rw-r--r-- 1 root root 465 Jan 223:19 llamaboard_config.yaml -rw-r--r-- 1 root root 331 Jan 3 03:36 predict_results.json -rw-r--r-- 1 root root 7492 Jan 3 03:36 running_log.txt -rw-r--r-- 1 root root 22264 Jan 3 03:35 trainer_log.jsonl -rw-r--r-- 1 root root 566 Jan 223:19 training_args.yaml 

LoRA 模型合并导出

通过不断 '炼丹' 直到效果满意后就可以导出模型了。即：把训练的 LoRA 模型和原始 Base 模型进行融合，输出一个完整的模型文件。

检查点路径选择我们刚刚微调好的模型，切换到 export，填写导出目录 output/qwen3-1.7b-huanhuan。

导出完成之后就可以在 output 目录下看到 qwen3-1.7b-huanhuan 目录了。

$ cd LlamaFactory $ ll -h output/Qwen3-1.7B-huanhuan/ total 3.3G drwxr-xr-x 2 root root 4.0K Jan 222:27 ./ drwxr-xr-x 3 root root 4.0K Jan 222:27 ../ -rw-r--r-- 1 root root 381 Jan 222:27 Modelfile -rw-r--r-- 1 root root 707 Jan 222:27 added_tokens.json -rw-r--r-- 1 root root 4.1K Jan 222:27 chat_template.jinja -rw-r--r-- 1 root root 1.4K Jan 222:27 config.json -rw-r--r-- 1 root root 117 Jan 222:27 generation_config.json -rw-r--r-- 1 root root 1.6M Jan 222:27 merges.txt -rw-r--r-- 1 root root 3.3G Jan 222:27 model.safetensors -rw-r--r-- 1 root root 613 Jan 222:27 special_tokens_map.json -rw-r--r-- 1 root root 11M Jan 222:27 tokenizer.json -rw-r--r-- 1 root root 5.4K Jan 222:27 tokenizer_config.json -rw-r--r-- 1 root root 2.7M Jan 222:27 vocab.json 

部署运行微调后的大模型

这里用 Ollama + GGUF 进行部署。

其中，GGUF 是大模型的存储格式，可以对模型进行高效的压缩，减少模型的大小与内存占用，从而提升模型的推理速度和效率。如下，安装 GGUF 并将微调后大模型的格式进行转换。

$ git clone https://github.com/ggerganov/llama.cpp.git $ cd llama.cpp/gguf-py $ pip install --editable . $ cd llama.cpp $ python convert_hf_to_gguf.py /workspace/LlamaFactory/output/Qwen3-1.7B-huanhuan/ # 生成 xxx.gguf 格式文件。 $ ll /workspace/LlamaFactory/output/Qwen3-1.7B-huanhuan/ -rw-r--r-- 1 root root 381 Jan 222:27 Modelfile -rw-r--r-- 1 root root 3447348896 Jan 3 05:13 Qwen3-1.7B-huanhuan-BF16.gguf 

另外，Ollama 是大模型推理框架，适用于个人环境使用，简单而高效。

$ curl -fsSL https://ollama.com/install.sh |sh $ ollama serve $ ollama create qwen3-huanhuan -f /workspace/LlamaFactory/output/Qwen3-1.7B-huanhuan/Modelfile $ ollama run qwen3-huanhuan