基于 LLaMA-Factory 的 LLM DPO 训练实战

概述

LLM 训练通常包含预训练、微调和 RLHF（人类反馈强化学习）环节。DPO（Direct Preference Optimization）是 RLHF 中的一种主流方法，相比 PPO 等方法对硬件需求更低，显存占用更少，适合资源有限的场景进行偏好优化。

硬件与环境

• 显卡：4070 12G * 2
• 内存：64G
• 操作系统：Ubuntu 24.04
• 模型：QWEN-3vl-2B（多模态 SFT 后模型，无图片输入需求可选纯语言模型）

注意：若使用分布式训练，请确认 LLaMA-Factory 支持的 DeepSpeed 版本。当前建议检查官方文档以适配最新 DeepSpeed 版本。

推荐使用 Linux 系统进行训练，Windows 环境在多卡训练时容易出现显存不稳定及报错问题。

步骤一：数据准备

从 Hugging Face 下载所需的医疗 DPO 数据集。

from datasets import load_dataset

ds = load_dataset("HANI-LAB/Med-REFL-DPO", 'reasoning_enhancement')
print(ds['train'][:1])

验证数据加载正常后即可继续。

步骤二：数据预处理

LLaMA-Factory 需要 JSON 格式的数据集。需编写脚本将源 Arrow 格式转换为 LF 识别的标准格式。

标准格式示例：

[
  {
    "instruction": "人类指令",
    "input": "人类输入",
    "chosen": "优质回答",
    "rejected": "劣质回答"
  }
]

转换脚本如下：

import json
from datasets import load_dataset
import os

def convert_arrow_to_json(dataset_path, output_json_path):
     os.path.exists(dataset_path):
        dataset = load_dataset(, data_files=dataset_path)
    :
        dataset = load_dataset(dataset_path, name=)
    
    train_dataset = dataset[]
    output_data = []
     item  train_dataset:
           item    item    item:
            json_item = {
                : item[],
                : item.get(, ),
                : item[],
                : item[]
            }
            output_data.append(json_item)
    
     (output_json_path, , encoding=)  f:
        json.dump(output_data, f, ensure_ascii=, indent=)
    ()

 __name__ == :
    arrow_file_path = 
    output_json_path = 
    convert_arrow_to_json(arrow_file_path, output_json_path)