在大型机场的运行控制中心，每当雷雨季来临，调度屏上密密麻麻的红色'延误'标记总能引发一阵紧张。除了协调航班、调配资源，最耗时也最容易出问题的环节之一，就是如何快速、准确、得体地向成千上万旅客传达变更信息。一条措辞不当的通知，可能瞬间点燃社交媒体上的舆情；而延迟几分钟发布，又可能导致旅客错过关键登机提醒。
传统做法是依靠值班人员套用固定模板手动修改——这种方式效率低、易出错，且难以体现服务温度。有没有一种方式，既能保证信息准确性，又能根据不同旅客身份和情绪状态自动调整表达风格？近年来，随着大语言模型（LLM）技术的成熟，尤其是微调框架的平民化，这个设想正逐步变为现实。
Llama-Factory 正是在这一背景下进入公众视野的开源项目。它不是一个全新的大模型，而是一套让普通人也能'定制专属 AI 写手'的工具链。对于机场这类对文本规范性要求极高、但又缺乏顶级算法团队的机构而言，它的出现恰逢其时。
以某国际机场为例，他们尝试使用 Llama-Factory 对 Baichuan2-7B 模型进行指令微调，目标是训练一个能自动生成航班延误通知的语言模型。整个过程无需从零编写训练代码，而是通过配置文件驱动全流程：数据预处理、模型加载、LoRA 适配器注入、分布式训练、效果评估与本地部署，全部由框架自动完成。
其核心工作流并不复杂：首先收集过去一年内经客服主管审核过的优质人工通知共 2000 条，涵盖天气、机械故障、空管限流等多种场景，并按舱位等级（经济舱/商务舱/头等舱）、发布渠道（短信/APP 推送/广播稿）分类标注。接着将每条自然语言通知反向解析为结构化输入字段，例如：
{ "instruction": "根据以下信息生成一则航班延误通知", "input": "航班号：CA123；原定起飞时间：14:00；实际起飞时间：16:30；延误原因：强对流天气；航站楼：T3；旅客等级：金卡会员", "output": "尊敬的国航金卡会员您好，您乘坐的 CA123 航班原计划 14:00 起飞，现因前方区域强对流天气影响，预计推迟至 16:30 起飞。我们已为您预留 T3 航站楼贵宾休息室席位……" }
这种 instruction-input-output 格式是当前主流的指令微调范式，能让模型学会从结构化数据到自然语言的映射关系。更重要的是，在构建数据集时，团队特意加入了民航局关于'不得承诺具体赔偿金额''避免使用'抱歉给您带来不便'等程式化表述'的合规指南，确保模型输出不仅流畅，而且合法合规。
训练阶段采用 QLoRA（4-bit 量化 + LoRA）策略，这是 Llama-Factory 最具实用价值的设计之一。7B 参数级别的模型通常需要 80GB 以上显存才能全参微调，但借助 QLoRA，仅需一张 RTX 4090（24GB 显存）即可完成训练。实测结果显示，三轮 epoch 的训练耗时约 3 小时，最终模型在保留原始语义理解能力的同时，显著掌握了航空服务文本的表达习惯。
# train_qlora.yaml
model_name_or_path: baichuan-inc/Baichuan2-7B-Base
finetuning_type: qlora
quantization_bit: 4
template: baichuan2
dataset: flight_delay_notifications
max_source_length: 512
max_target_length: 256
