基于 LLaMA-Factory 的 DPO 训练实战指南

前言

LLM 训练通常包含预训练、微调及 RLHF 环节。DPO 作为 RLHF 的一种主流方法，相比 PPO 和 GRPO，对硬件资源的需求更低，显存占用更优，适合入门实践。

环境准备

本教程基于以下配置：双卡 RTX 4070 (12G)、64G 内存、Ubuntu 24.04。模型选用 QWEN-3vl-2B（若无需多模态功能，可切换为纯语言模型）。

关于系统选择，虽然 Windows 也能运行，但在多卡训练及显存稳定性上，Linux 具有显著优势。建议长期投入大模型学习的朋友直接部署 Linux 环境，减少排查底层报错的时间成本。

注意：LLaMA-Factory 目前对 DeepSpeed 的最新版本适配可能滞后，若需分布式训练，请确认版本兼容性。

步骤一：加载数据集

我们使用 Hugging Face 上的医疗 DPO 数据集。通过 datasets 库即可快速加载。

from datasets import load_dataset

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

执行后可见数据正常加载，结构清晰。

步骤二：数据预处理

LLaMA-Factory 需要特定的 JSON 格式。我们需要将源数据转换为包含 instruction, input, chosen, rejected 字段的结构。

import json
from datasets import load_dataset
import os

def convert_arrow_to_json(dataset_path, output_json_path):
    if os.path.exists(dataset_path):
        dataset = load_dataset('arrow', data_files=dataset_path)
    else:
        dataset = load_dataset(dataset_path, name='reasoning_enhancement')
    
    train_dataset = dataset['train']
    output_data = []
    
    for item in train_dataset:
        if 'instruction' in item and 'chosen' in item and 'rejected'  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)