Lostlife2.0 整合 LLama-Factory 引擎重塑 NPC 对话逻辑
在文字冒险游戏中，玩家最忌讳的莫过于 NPC 对话机械呆板——明明设定是末世废土，张口却是网络流行语，这种割裂感瞬间摧毁沉浸感。
《Lostlife2.0》早期版本依赖传统决策树系统，每句台词手动编写，新增剧情往往导致节点爆炸，维护成本极高。引入 LLama-Factory 后，团队构建了一套动态、可进化的对话生成系统。
为什么选择 LLama-Factory？
市面上多数大模型工具门槛过高，需熟悉 Hugging Face API 或 PyTorch 底层。LLama-Factory 则将微调过程产品化，通过 WebUI 即可完成基座选择、参数配置及任务监控。它原生支持 LoRA、QLoRA，让消费级显卡训练 7B 甚至 70B 模型成为可能。
若想让 NPC 学会'冷峻讽刺'的语气，只需准备几百条样本，勾选 LoRA 微调即可。其基于 Transformers + PEFT + Accelerate 构建，数据预处理模块自动识别多种格式并转换为指令微调格式，训练时还能实时查看 loss 曲线。
# train_lora.yaml
model_name_or_path: /models/Qwen-7B-Chat
adapter_name_or_path: /outputs/qwen_lora_npc_dialogue
data_path: ./data/lostlife_npc_conversations.json
output_dir: ./outputs/qwen_lora_npc_dialogue
overwrite_output_dir: true
per_device_train_batch_size: 4
gradient_accumulation_steps: 8
learning_rate: 1e-4
num_train_epochs: 3
logging_steps: 10
save_steps: 100
evaluation_strategy: "no"
lora_rank: 64
lora_alpha: 16
lora_dropout: 0.05
target_modules: ["q_proj", "v_proj"]
fp16: true
上述 YAML 配置是实际训练脚本。target_modules 指定仅更新注意力层，参数量更新不到 3% 却接近全参效果。配合梯度累积，单张 RTX 3090 即可稳定运行。不想写代码可直接运行 ，访问本地地址完成全流程。
