基于魔搭与 LLaMA Factory 的大模型微调全流程实操

进入界面后，大家可以简单熟悉一下：界面上的大图标是常用软件，侧边栏是文件夹（后续存放代码、模型、数据集），下方带有$符号的是终端——相当于阿里云给我们免费提供了一台「带 GPU 的云端电脑」，所有操作都在这个终端里完成。

点击「终端」，进入终端界面，接下来就开始配置环境、下载工具啦。

2、下载 LLaMA Factory 工具，配置依赖环境

LLaMA Factory 是一款非常适合小白的大模型微调工具，开源免费，操作简单，我们直接克隆它的开源代码，然后配置相关依赖即可。

⚠️ 重点提醒：以下代码，只复制「不带#号」的内容，粘贴到终端执行即可；#号后面是注释，不用复制，避免报错。

# 克隆 LLaMA Factory 开源框架
git clone https://github.com/hiyouga/LLaMA-Factory.git
# 进入项目的目录
cd LLaMA-Factory
# 创建虚拟环境（隔离依赖，避免环境冲突）
python -m venv .venv
# 激活虚拟环境
source .venv/bin/activate
# 安装依赖（这一步耗时较长，约 15-20 分钟，耐心等待）
pip install-e".[torch,metrics]"
# 如果报错，环境冲突用改用这个解决
pip install --no-deps -e.

补充说明：安装依赖的过程中，可能会提示「缺少某个包」「需要升级 pip」，直接按照提示执行对应的指令即可，不用慌——小白最容易犯的错就是「急于求成」，这里一定要耐着性子等待，只要终端没有报错，就说明正在正常安装。

安装完成后，你会发现侧边栏的文件夹中，多了一个「LLaMA-Factory」文件夹，说明工具下载成功。

当终端出现类似下图的提示时，说明依赖安装完成，可以进行下一步操作了。

3、下载模型（小白首选轻量模型，提速不踩坑）

为了减少下载时间，避免小白因为「模型太大、等待过久」放弃，我们选择「Qwen2.5-0.5B-Instruct」模型——这是目前参数最小、适配性最好的轻量模型之一，适合新手入门实操，下载速度快，且能正常完成微调流程。

第一步：在 LLaMA-Factory 目录下，创建一个新的文件夹，命名为「newmodels」（用于存放我们下载的基础模型）。

第二步：复制以下代码，粘贴到终端，下载模型：

git clone https://www.modelscope.cn/Qwen/Qwen2.5-0.5B-Instruct.git 

等待几分钟，模型就会下载完成，并存放到「newmodels」文件夹中（如果下载速度较慢，耐心等待即可，不用中途中断）。

4、准备训练数据集（小白简化版，不用自己标注）

微调需要用「问答数据集」训练模型，小白不用自己标注数据，我们直接从魔搭数据集中下载一个轻量数据集（不到 300 行），下载速度快，且能满足入门实操需求。

第一步：下载数据集，直接复制打开地址：https://modelscope.cn/datasets/meadhu/taobao-positive-sentence/files，找到对应的数据集文件，点击下载即可。

第二步：数据集格式转换（重点！）—— 下载的数据集是 csv 格式，而模型训练需要 json 格式，这里我们用简单的脚本进行转换，小白不用自己写代码，直接让 AI 生成脚本，运行后保存为「train_converted.json」即可。

（补充：脚本可以直接问 AI「csv 格式转换为 json 格式的 Python 脚本，适配大模型微调数据集」，复制生成的脚本，在终端运行，即可完成转换，转换后的文件如下所示）

第三步：注册数据集—— LLaMA Factory 工具自带「dataset_info.json」文件（在项目目录中可以找到），这是数据集的索引文件，我们需要将转换后的「train_converted.json」文件注册到这个索引中，直接打开文件，将数据集名称和路径写入即可。

⚠️ 注意：写入路径时，一定要和你存放「train_converted.json」的路径一致，避免后续训练时找不到数据集（小白可以直接复制文件路径，粘贴到索引中，减少错误）。

3、一切就绪，启动模型训练

环境、模型、数据集都准备完成后，就可以启动训练了——LLaMA Factory 提供了 WebUI 界面，不用写复杂的训练指令，点击几下就能启动训练，小白也能轻松上手。

第一步：确保自己处于「LLaMA-Factory」目录下（如果不在，复制以下指令执行，回到项目目录）：

# 回到 LLaMA-Factory 文件夹
cd LLaMA-Factory
# 启动 WebUI 界面
terminal: llamafactory-cli webui 

第二步：启动 WebUI 后，终端会出现一个「网址」，点击这个网址，就能进入训练配置界面。

第三步：配置训练参数（小白默认配置即可，不用修改，重点填写 3 个路径）：

• 基础模型路径：选择我们下载的「Qwen2.5-0.5B-Instruct」模型（路径在 newmodels 文件夹下）；
• 训练数据集路径：选择我们转换后的「train_converted.json」文件；
• 训练结果保存路径：自定义一个路径（比如 output，后续存放训练好的模型）。

配置完成后，界面如下所示：

第四步：点击「开始训练」，等待模型训练完成即可——训练过程中，终端会实时显示训练进度，你可以看到模型的损失值（loss）变化。

训练时的小知识（小白了解即可）：

模型损失值（loss），是衡量模型预测结果与真实数据集差距的指标，训练的目标是「最小化损失值」，但并不是损失值越小越好——如果损失值太小，说明模型「死记硬背」了数据集，出现「过拟合」，后续遇到新问题就不会回答了。

我们这个入门实操，因为模型参数小、数据集少，损失值只要处于合理范围（比如 0.5-2.0 之间），就说明训练成功了，大家可以参考下图的训练结果：

训练完成后，WebUI 界面会显示最终的训练结果，如下所示：

4、本地测试聊天，检验微调效果

训练完成后，我们先在 WebUI 界面上测试一下，看看模型有没有记住我们的训练数据集，能不能给出贴合数据集的回答——这一步是小白最有成就感的环节，相当于「验收成果」。

第一步：在 WebUI 界面，切换到「Chat」标签页；

第二步：点击「检查点路径」，选择我们刚才训练好的模型（存放路径就是之前配置的 output 路径）；

第三步：点击「加载模型」，等待模型加载完成（轻量模型加载很快，约 1-2 分钟）。

第四步：输入问题，测试模型回答——这里要注意，我们的数据集是「淘宝正面评价相关」，所以提问要贴合这个场景（比如「推荐一句淘宝好评」），模型会给出基于数据集的回答。

补充说明：我们这个实操用的是轻量模型（0.5B 参数），加上训练数据集较少，模型的回答可能不会很完美，甚至有点「笨拙」，这是正常的——后续大家可以换更大的模型（比如 Qwen2.5-7B）、更多的数据集，就能得到更精准的回答。

我这边测试的结果如下（因为多轮训练，回答有点偏差，但能看出基于训练数据，也算训练成功）：

只要模型的回答和我们的训练数据集相关，就说明微调成功了，小白到这一步，就已经完成了大模型微调的核心操作！

5、导出模型（可本地使用，永久留存成果）

训练好的模型，我们可以导出到本地，后续无论是用 Jan.ai、Ollama，还是其他工具，都能直接使用，不用再重新训练——这一步我们将模型转换为「GGUF 格式」（大模型常用格式，兼容性最强）。

1、创建模型导出目录

第一步：在 LLaMA-Factory 目录下，创建一个新的文件夹，命名为「outputmodel」，用于存放导出的原始模型；

第二步：在 WebUI 界面，找到「导出模型」选项，选择导出路径为「outputmodel」，点击「导出」，等待导出完成。

导出完成后，侧边栏的「outputmodel」文件夹中，会出现训练好的模型文件，如下所示：

2、安装 GGUF 库，转换模型格式

GGUF 格式是目前最常用的大模型格式，支持 Jan.ai、Ollama 等多种工具，我们需要安装 GGUF 相关库，将导出的原始模型转换为 GGUF 格式。

第一步：新打开一个终端（避免和之前的 WebUI 冲突），复制以下指令，回到 LLaMA-Factory 目录：

# 不管当前在哪个目录，执行这个指令回到根目录
cd /mnt/workspace/LLaMA-Factory
# 克隆 GGUF 相关库（llama.cpp）
git clone https://github.com/ggerganov/llama.cpp.git
# 进入 GGUF 库的 py 目录，安装依赖
cd llama.cpp/gguf-py
pip install--editable.

执行完成后，侧边栏会多出一个「llama.cpp」文件夹，说明 GGUF 库安装成功。

3、执行格式转换，导出 GGUF 模型

第一步：在 LLaMA-Factory 目录下，创建一个新的文件夹，命名为「megred-model-path」，用于存放转换后的 GGUF 模型；

第二步：回到 llama.cpp 目录，复制以下 3 行代码，粘贴到终端，一次性执行（重点：修改路径为自己的文件夹路径）：

# 回到 llama.cpp 文件下
cd..
# 运行转换指令，注意修改两个路径（小白直接替换成自己的路径即可）
python convert_hf_to_gguf.py /mnt/workspace/LLaMA-Factory/outputmodel \
--outfile /mnt/workspace/LLaMA-Factory/megred-model-path \
--outtype q8_0 

⚠️ 小白重点提醒：

• 第一个路径「/mnt/workspace/LLaMA-Factory/outputmodel」：是我们刚才导出的原始模型路径，一定要和自己的文件夹路径一致；
• 第二个路径「/mnt/workspace/LLaMA-Factory/megred-model-path」：是我们创建的 GGUF 模型存放路径，不用修改，只要提前创建好文件夹即可；
• –outtype q8_0：是模型的量化格式，小白默认这个即可，兼顾速度和效果。

执行完成后，GGUF 模型就会保存到「megred-model-path」文件夹中，我们直接点击文件夹，找到对应的 GGUF 文件，点击下载，就能保存到本地了。

6、本地使用模型，彻底玩转自己的大模型

下载好 GGUF 模型后，我们可以用最简单的方式（Jan.ai 工具），本地启动模型，和自己训练的模型聊天——全程不用联网（下载工具需要联网），小白也能轻松操作。

方法 1：用 Jan.ai 工具（最简单，小白首选）

第一步：下载 Jan.ai 工具，直接打开官网：https://jan.ai/，根据自己的电脑系统（Windows、Mac），下载对应的客户端，安装完成后打开；

第二步：配置模型，打开 Jan.ai 的设置（Setting），找到「Model Provider」，点击「Import」，导入我们刚才下载的 GGUF 模型；

第三步：导入完成后，点击「Start」，进入对话界面，输入问题，就能和自己训练的模型聊天了！

我这边测试的效果如下（虽然模型有点「笨拙」，但确实是基于我们的训练数据，属于自己「亲生打造」的大模型）：

方法 2：用 Ollama 工具（进阶，程序员可选）

如果是程序员，也可以用 Ollama 工具加载模型——将 GGUF 模型转换为 Ollama 支持的格式，导入 Ollama 后，还能被 Dify、CherryStudio 等工具调用，实现更复杂的功能。

补充说明：我这边尝试将模型导入 CherryStudio 后，出现了回答跑偏的情况，推测是默认系统提示词的问题，或者格式转换时的小疏漏，小白可以先重点掌握 Jan.ai 的使用方法，进阶玩法后续再深入。

总结

到这里，我们就完成了「大模型微调全流程实操」——从环境搭建、模型下载、数据准备，到训练、测试、导出、本地使用，每一步都有具体操作和代码，零基础小白也能跟着完成。

其实大模型微调并没有想象中那么难，就像培养孩子一样：预训练让模型有「基础」，微调让模型有「技能」，RLHF 让模型有「规范」，我们这次实操，相当于完成了「基础 + 技能」的培养，后续只要优化数据集、更换更大的模型，就能训练出更实用的大模型。

建议实操时对照步骤一步步来，遇到问题不要慌——大部分问题都是「路径错误」「依赖缺失」，对照本文的提醒，或者搜索报错信息，都能轻松解决。