必看收藏！LLaMA-Factory让大模型微调变得如此简单，附详细部署指南

最新推荐文章于 2025-12-05 17:21:12 发布

原创最新推荐文章于 2025-12-05 17:21:12 发布 · 748 阅读

18 ·

CC 4.0 BY-SA版权

文章标签：

#llama #人工智能 #大模型学习 #大模型入门 #AI大模型 #大模型教程 #大模型微调

部署运行你感兴趣的模型镜像

LLaMA-Factory

****如何高效地微调和部署大型语言模型（LLM）？LLaMA-Factory作为一个开源的微调框架，应运而生，为开发者提供了一个简便、高效的工具，以便在现有的预训练模型基础上，快速适应特定任务需求，提升模型表现。LLaMA-Factory作为一个功能强大且高效的大模型微调框架，通过其用户友好的界面和丰富的功能特性，为开发者提供了极大的便利。

LLaMA-Factory

一、 LLaMA-Factory

什么是LLaMA-Factory？LLaMA-Factory，全称Large Language Model Factory，即大型语言模型工厂。它支持多种预训练模型和微调算法，提供了一套完整的工具和接口，使得用户能够轻松地对预训练的模型进行定制化的训练和调整**，以适应特定的应用场景，如智能客服、语音识别、机器翻译等。**

LLaMA-Factory

支持的模型：LLaMA-Factory支持多种大型语言模型，包括但不限于LLaMA、BLOOM、Mistral、Baichuan、Qwen、ChatGLM等。
集成方法：包括（增量）预训练、指令监督微调、奖励模型训练、PPO训练、DPO训练和ORPO训练等多种方法。
运算精度与优化算法：提供32比特全参数微调、16比特冻结微调、16比特LoRA微调和基于AQLM/AWQ/GPTQ/LLM.int8的2/4/8比特QLoRA微调等多种精度选择，以及GaLore、DoRA、LongLoRA、LLaMA Pro、LoRA+、LoftQ和Agent微调等先进算法。

LLaMA-Factory

**LLaMA-Factory提供了简洁明了的操作界面和丰富的文档支持，使得用户能够轻松上手并快速实现模型的微调与优化。**用户可以根据自己的需求选择不同的模型、算法和精度进行微调，以获得最佳的训练效果。

LLaMA-Factory

二、模型微调（Fine-Tuning）

如何使用LLaMA-Factory进行模型微调？使用LLaMA-Factory进行模型微调是一个涵盖从选择模型、数据加载、参数配置到训练、评估优化直至部署应用****的全面且高效的流程。

选择模型：根据应用场景和需求选择合适的预训练模型。

**设置语言：**进入WebUI后，可以切换到中文（zh）。
**配置模型：**选择LLaMA3-8B-Chat模型。
配置微调方法：微调方法则保持默认值lora，使用LoRA轻量化微调方法能极大程度地节约显存。

加载数据：将准备好的数据集加载到LLaMA-Factory中。

LLaMA-Factory项目内置了丰富的数据集，放在了data目录下。同时也可以自己准备自定义数据集，将数据处理为框架特定的格式，放到指定的data目录下。

配置参数：根据实际情况调整学习率、批次大小等训练参数。

**学习率+梯度累积：**设置学习率为1e-4，梯度累积为2，有利于模型拟合。
**计算类型：**如果是NVIDIA V100显卡，计算类型保持为fp16；如果使用了AMD A10系列显卡，可以更改计算类型为bf16。

**LoRA参数设置：**设置LoRA+学习率比例为16，LoRA+被证明是比LoRA学习效果更好的算法。在LoRA作用模块中填写all，即将LoRA层挂载到模型的所有线性层上，提高拟合效果。

开始训练：启动训练过程，并监控模型的训练进度和性能表现。
输出目录：将输出目录修改为train_llama3，训练后的LoRA权重将会保存在此目录中。
**预览命令：**点击「预览命令」可展示所有已配置的参数，如果想通过代码运行微调，可以复制这段命令，在命令行运行。
**开始：**点击「开始」启动模型微调。

**训练完毕：**启动微调后需要等待一段时间，待模型下载完毕后可在界面观察到训练进度和损失曲线。模型微调大约需要20分钟，显示“训练完毕”代表微调成功。

评估与优化：使用LLaMA-Factory提供的评估工具对模型性能进行评估，并根据评估结果进行针对性的优化。

**刷新适配器：**微调完成后，点击页面顶部的「刷新适配器」
**适配器路径：**点击适配器路径，即可弹出刚刚训练完成的LoRA权重，点击选择下拉列表中的train_llama3选项，在模型启动时即可加载微调结果。

**评估模型：**选择「Evaluate&Predict」栏，在数据集下拉列表中选择「eval」（验证集）评估模型。
**输出目录：**更改输出目录为eval_llama3，模型评估结果将会保存在该目录中。
**开始评估：**最后点击开始按钮启动模型评估。

**评估分数：**模型评估大约需要5分钟左右，评估完成后会在界面上显示验证集的分数。
**ROUGE分数：**其中ROUGE分数衡量了模型输出答案（predict）和验证集中标准答案（label）的相似度，ROUGE分数越高代表模型学习得更好。

部署应用：将训练好的模型部署到实际应用场景中，实现其功能和价值。

**加载模型：**选择「Chat」栏，确保适配器路径是train_llama3，点击「加载模型」即可在Web UI中和微调模型进行对话。

****卸载模型：****点击「卸载模型」，点击“×”号取消适配器路径，再次点击「加载模型」，即可与微调前的原始模型聊天。

最后

为什么要学AI大模型

当下，⼈⼯智能市场迎来了爆发期，并逐渐进⼊以⼈⼯通⽤智能（AGI）为主导的新时代。企业纷纷官宣“ AI+ ”战略，为新兴技术⼈才创造丰富的就业机会，⼈才缺⼝将达 400 万！

DeepSeek问世以来，生成式AI和大模型技术爆发式增长，让很多岗位重新成了炙手可热的新星，岗位薪资远超很多后端岗位，在程序员中稳居前列。

在这里插入图片描述

与此同时AI与各行各业深度融合，飞速发展，成为炙手可热的新风口，企业非常需要了解AI、懂AI、会用AI的员工，纷纷开出高薪招聘AI大模型相关岗位。
在这里插入图片描述
最近很多程序员朋友都已经学习或者准备学习 AI 大模型，后台也经常会有小伙伴咨询学习路线和学习资料，我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频 全系列的学习资料，这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。