基于 LLaMA-Factory 的 DPO 训练实战指南

背景与硬件准备

大模型训练通常包含预训练、微调（SFT）和人类反馈强化学习（RLHF）三个阶段。DPO 作为 RLHF 的一种主流方法，相比 PPO 等方案对显存要求更低，更适合资源有限的场景进行偏好对齐。

本次实战环境如下：

• 硬件：双卡 RTX 4070 (12G*2)，64G 内存
• 系统：Ubuntu 24.04
• 模型：Qwen-VL 系列（因涉及多模态任务，若无图片需求可选纯语言模型）

关于环境选择，强烈建议直接使用 Linux 系统进行训练。Windows 环境下常遇到显存不稳定及分布式训练报错问题，WSL2 虽能缓解但仍有局限。长期投入 LLM 开发的同学，一步到位到 Linux 能少走很多弯路。

本文简称 LLaMA-Factory 为 LF。需注意，若使用 DeepSpeed 进行分布式训练，LF 目前仅适配特定版本，配置时请留意兼容性。

一、数据准备

我们需要从 Hugging Face 加载数据集。这里以医疗领域的 DPO 数据集为例。

from datasets import load_dataset

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

运行后确认数据可正常加载，即可进入下一步。

二、格式转换与配置

LLaMA-Factory 需要特定的 JSON 格式数据。官方规范结构如下：

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

编写脚本将源 Arrow 文件转换为 LF 识别的 JSON 格式：

import json
import os
from datasets import load_dataset

def convert_arrow_to_json(dataset_path, output_json_path):
    # 加载数据集
     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)