大模型训练全流程实战指南工具篇（十）—— 小白也能懂的大模型训练参数万字详解

前言

上篇文章大模型训练全流程实战指南工具篇（九）——LLamaFactory大模型训练工具使用指南笔者详细介绍了 LLaMA Factory 的环境部署、数据集注册，并带大家跑通了一个完整的大模型微调流程。

但相信不少读者在实操过程中都会遇到这样的困惑：流程是跑通了，可面对配置文件中那些密密麻麻的参数，心里却完全没有底——它们到底在控制什么？调大调小会带来什么影响？为什么别人用的配置我照搬过来效果却差很多？

这正是笔者撰写大模型训练合集的初衷。笔者始终认为，学习大模型训练，不能只停留在“能跑通”的层面，更要知道“为什么这么设”。知其然，更要知其所以然，才能真正掌握这项技术，遇到问题时才能从容定位、灵活调优。

因此，本期文章笔者将系统讲解 LLaMA Factory 的训练方法与参数配置，通过万字长文、直观易懂的比喻帮助大家理解每个参数的作用，建立起从“流程可运行”到“训练稳定、效果可控”的完整认知。希望这篇文章能帮大家真正跨过大模型训练的门槛，一步步成长为能够独立把控训练全流程的高手！还等什么，接着往下看吧~

一、大模型训练方法

如果大家跟着上一篇文章大模型训练全流程实战指南工具篇（九）——LLamaFactory大模型训练工具使用指南完整操作下来，应该已经跑通了一个微调流程。但大家可能也注意到，笔者当时选用的是 LoRA 训练方法。为什么是 LoRA？它和其他方法有什么不同？

LLaMA Factory 支持多种训练方法，其中最具代表性的三种分别是：全量训练、LoRA 训练 和 QLoRA 训练。为了帮大家直观理解它们的区别，笔者这里把大模型比作一套房子，把大模型训练比作一次翻新改造。

1.1 全参数训练：给房子“全部翻新”，但小心拆了承重墙

全参数训练最直接——加载预训练模型后，对所有层的所有参数进行梯度更新。相当于把房子从地基到墙面全部翻新一遍，理论上改造效果最好，但代价也最大。

首先是显存成本高。以 LLaMA-7B 模型为例，FP16 精度下模型本身占约 14GB 显存，加上 Adam 优化器需要维护动量和方差状态（额外约 28GB），再算上数据通信等开销，总显存轻松突破百 G，通常需要好几张 A100/H100 这样的高端显卡才能支撑。

其次是对数据质量要求极高。全参数训练就像一个激进的装修队，会改动房子的每一处结构。如果你的图纸（训练数据）不够详细（数据量少）或画错了（质量差），装修队就可能把原本牢固的承重墙拆掉，把好的水电结构改坏。

对应到模型上，这就是灾难性遗忘：为了强行拟合少量或低质数据，模型原有的通用知识（语言能力、推理能力）被大幅覆盖或破坏。结果往往是你的特定任务还没学好，模型原本会的能力（如写代码、做数学题）已经严重退化了。

因此，全参数训练是一把双刃剑。它需要充足且高质量的标注数据（通常建议上百万条甚至更多）和强大的算力做支撑。对资源有限、数据不多的初学者和中小企业来说，这条路往往风险大于收益。

1.2 LoRA 训练：给房子“局部改造”，不拆承重墙也能焕然一新

与全参数训练的“大拆大建”不同，LoRA 选择了一条更克制的路径：不改动原始模型的任何参数，只在一旁加一个轻量级的“适配器” 。

这就像装修时，不动承重墙、不改水电结构，只是换了新家具、重新刷了墙面、调整了软装。房子的主体框架完好无损，但整体功能性和风格却精准地满足了你当下的需求。

从数学上看，LoRA 把权重的变化量 ΔW 分解为两个低秩矩阵的乘积（A 和 B），通过这种方式“侧面”修改原参数，而原始参数始终保持不变（作为工程人员大家了解基本思想即可，可以不深究数学细节）。

比显存节省更重要的，是它对“图纸”——训练数据的宽容度。

全参数训练需要海量、高质量的“精准图纸”，否则装修队会乱拆乱改。而 LoRA 因为原始模型的“骨架”完全冻结不动，只在表面做文章。即便你的图纸只有几百条、质量也未必完美，它也不会破坏模型原有的语言能力和推理能力。最多是“新家具没摆好”（训练效果不佳），不会出现“房子塌了”（能力崩塌）的情况。

这种“低风险、低成本”的特性，让 LoRA 成为中小企业、个人开发者和学术研究者入门大模型训练的最佳选择。  你不需要成千上万条标注数据，也不需要昂贵的 A100 集群，一块普通消费级显卡加上几千几万条精心整理的数据，就能让模型学会你想要的技能。

1.3 QLoRA 训练：更省成本的“局部改造”，用“经济型材料”也能出精品

如果说 LoRA 是在不动主体结构的前提下换家具、刷墙面，那 QLoRA 则更进一步——它连家具都换成了“高性价比的环保材料”。

QLoRA 的核心创新在于将原始模型压缩到 4 位精度（NF4 量化） 。打个比方，全参数训练用的是实木梁柱，LoRA 用的是普通钢筋，而 QLoRA 用的是“高强度空心钢”——在保证结构强度的前提下，大幅降低材料重量和成本。量化技术进一步减少了训练时的显存占用（对量化技术有遗忘的读者，可回顾我前期的文章大模型训练全流程实战指南基础篇（三）——大模型本地部署实战（Vllm与Ollama）

但省钱不能以“房子塌了”为代价。

和 LoRA 一样，QLoRA 同样冻结了原始模型的“骨架” （基座模型参数），只训练旁边那小小的适配器。因此它对数据的宽容度依然极高：即便只有几百条数据、质量参差不齐，它也不会破坏模型原有的通用能力。最多是“新家具的款式没选对”（效果稍差），绝不会出现“承重墙被拆”的灾难性遗忘。

实测表明，QLoRA 在多数 NLP 任务上的表现能达到LORA训练的 95% 以上。这意味着，你只需要一张普通显卡、几百条数据，就能以极低的成本，安全、稳定地让大模型学会你想要的技能。

如果说 LoRA 是个人和小团队的“最优解”，那 QLoRA 就是“极限性价比之选” ——它把大模型训练的门槛拉到了普通人触手可及的高度。

4 如何选择大模型训练方法？

了解了这三种典型方法后，如何选择其实已经比较清晰了。综合笔者的实战经验来看，我依然推荐 LoRA。

有粉丝可能会问：既然 QLoRA 更省资源，为什么不直接用它？综合实测经验，QLoRA 确实更省显存，但在某些对数值精度敏感的任务中可能出现轻微的性能退化。对绝大多数训练场景来说，LoRA 已经足够好用，且配置简单、调试方便。

结合中小企业、个人科研者的核心痛点，LoRA 的优势一目了然：

1. 算力友好

   无需多块高端 GPU，一块 8–12GB 显存的消费级显卡（如 RTX 3060/4060/3090）即可完成 7B 模型的训练。

2. 成本可控

   可训练参数极少，训练周期短，云 GPU 成本大幅降低。

3. 灵活切换

   可以为不同任务训练不同的 LoRA 权重（如客服、写作、编程），运行时按需加载，实现  “一基座，多专家”  的灵活部署。

4. 易于分享与版本管理

   LoRA 权重文件通常只有几十 MB，方便保存、分享和版本迭代。

5. 推理无额外开销

   训练完成后可将 LoRA 权重合并回原模型，部署时完全无性能损耗。

简单来说，LoRA 训练用最少的资源解决了“能不能训”的问题，同时保留了足够的灵活性和效果，是绝大多数个人和小团队入局大模型训练的最佳选择。

二、LLaMA Factory LoRA 配置文件详解

下面进入本章的核心内容：LLaMAFactory LoRA 配置文件详解。通过上一章的介绍大家应该已经发现，用 LLaMA Factory 训练大模型其实非常简单——写好配置文件 test_qwen_sft.yaml，然后执行一条命令：

 llamafactory-cli train /workspace/test_sft/test_qwen_sft.yaml

整体操作并不复杂，但真正考验功力的地方在于如何写好这份配置文件。本节笔者就用通俗易懂的语言，对上篇文章中使用过的训练参数进行逐一拆解，确保大家都能真正理解大模型训练的核心知识。

在深入参数之前，笔者先明确一个核心概念：大模型训练的本质，就是让模型学习用户提供的数据分布，使模型生成的内容与用户提供的数据越来越像。那么，模型生成的内容和用户数据之间的差异，就需要一个量化指标来衡量——这个指标就是 loss。训练的目标，就是让 loss 尽可能降到最低。用一张图来形象表示，就是从起始点不断下降，靠近目标值。

如果大家跟着上篇文章实操过，应该会在模型保存目录 /workspace/test_sft/Qwen2_5_sft/ 下看到一个 trainer_log.jsonl 文件，里面就记录了每个步骤的 loss 值，用来判断模型的拟合情况。

有了这个概念笔者就可以开始逐一解析配置文件中的参数了。上篇文章使用的配置文件路径为 /workspace/test_sft/test_qwen_sft.yaml。

2.1 模型参

• ### model
  model_name_or_path: /workspace/Qwen2_5_0_5
  trust_remote_code: true

• model_name_or_path：模型文件的本地存储路径，指定要训练的基础大模型位置。LLaMA Factory 会从这个路径读取原始模型参数。

• trust_remote_code：是否信任模型的自定义代码。部分模型（如通义千问）需要加载自定义代码才能正常读取模型结构，因此需要设为 true。

2.2 训练方法相关参数

• ### method
  stage: sft
  do_train: true
  finetuning_type: lora
  lora_rank: 8
  lora_target: all

• stage：表示训练阶段。pt 表示预训练（pre-training），sft 表示指令微调（supervised fine-tuning）。这里指定为 sft。

• do_train：是否开启训练。设为 true 启动训练流程，设为 false 则只验证配置不执行训练。

• finetuning_type：微调类型。指定为 lora，表示采用 LoRA 微调模式，而非全参数微调或 QLoRA。

以上三个参数比较好理解，接下来三个参数与 LoRA 机制密切相关，笔者结合 LoRA 的原理来重点讲解。

先回顾一下 LoRA 的核心思想：通过引入一个轻量级的“适配器”来间接影响原模型参数，而原始参数本身保持不变。公式可以简化为：

其中：

• W0 为基座模型冻结权重（原模型参数，不参与训练）
  BA 为低秩矩阵的乘积（可训练的新参数）
  r 为低秩矩阵的秩（lora_rank）
  α 为缩放因子（lora_alpha）

这个结构可以用下图直观表示：

对应到配置文件中，就是以下三个参数：

• lora_rank（即公式中的 r）：低秩矩阵的秩数。数值越大，适配器的表达能力越强，能处理更复杂的任务，但可训练参数增多，显存占用也相应增加；数值越小，资源消耗越低，适配能力稍弱。默认值为 8，推荐范围 4~64。

• lora_alpha（即公式中的 α）：可以理解为 LoRA 的“音量调节旋钮”，控制低秩矩阵学到的特征对基座模型的影响强度。数值越大，适配器的影响越“激进”；数值越小，模型越贴近基座模型的原生能力。一般设为 lora_rank 的 1~2 倍（例如 rank=8 时 alpha=16），以保持缩放因子平衡。LLaMA Factory 默认将 lora_alpha 设为 lora_rank 的 2 倍。

• lora_target：指定在模型的哪些层和结构上附加 LoRA 参数。笔者在之前的文章大模型训练全流程实战指南基础篇（二）——大模型文件结构解读与原理解析中讲过，大模型由不同层构成，不同层又通过注意力机制具备不同结构。通常情况下，直接设为 all 匹配所有层是最简单的选择；如果需要精细控制，推荐优先在 q_proj 和 v_proj 上添加（查询投影层和值投影层），因为这两个位置对任务迁移最敏感。

通过公式和图示，LoRA 相关参数的配置逻辑是不是就清晰多了？

2.3 数据集配置

• dataset: alpaca_zh_demo
  template: qwen
  cutoff_len: 2048
  max_samples: 1000
  preprocessing_num_workers: 16
  dataloader_num_workers: 4

• dataset：指定训练所用的数据集。需要注意，自定义数据集需要在 dataset_info.json 中预先注册，具体方法可参考上一篇文章。

• template：大模型的对话模板，也就是文章大模型训练全流程实战指南基础篇（二）——大模型文件结构解读与原理解析中介绍过的 chat_template。LLaMA Factory 在后台处理时会自动将数据按照该模板组织成模型可接受的格式。

• cutoff_len：最大截断长度。数据集中不同文本的长度不一，但模型的输入需要统一长度。该参数指定一个最大长度，超出部分被截断，不足部分用 <pad> 填充。注意，单条数据不宜过长，否则会显著增加显存占用。对于 7B 模型，通用场景设为 2048 即可，长文本场景可设为 4096。

• max_samples：训练使用的最大样本数。有时候并不需要把全部数据都用于训练，该参数可以限制实际使用的样本数量。

• preprocessing_num_workers：数据预处理时的线程数。数据集需要与模板结合才能生成模型可用的输入，这个过程可以并行加速，该参数用来控制预处理线程数。

• dataloader_num_workers：数据加载时的线程数。数据要先加载到内存才能快速喂给模型训练，该参数控制加载数据的线程数，可根据显存大小适当调整

2.4 输出配置

• output_dir: /workspace/test_sft/Qwen2_5_sft
  logging_steps: 10
  save_steps: 500
  plot_loss: true
  overwrite_output_dir: true
  save_only_model: false
  report_to: none

• output_dir：训练好的 LoRA 适配器保存路径。

• logging_steps：日志打印的步数间隔。比如，如果一次传入 100 条数据，每一步梯度更新处理 10 条数据（具体与后面的 gradient_accumulation_steps 相关），那么总共会有 10 步。每 10 步会在日志文件中记录一次 loss。

• save_steps：模型保存的步数间隔。训练过程中不仅只在最后保存一次模型，为了防止意外中断或需要对比中间结果，建议定期保存检查点。该参数控制每多少步保存一次适配器。

• overwrite_output_dir：如果输出目录不为空，是否覆盖目录内容。设为 true 表示覆盖。

• save_only_model：控制保存内容。false 表示保存完整断点（支持断点续训）；true 表示仅保存权重（用于推理）。

• report_to：为了更直观地监控训练过程，可以将训练日志上传到一些公开平台（如 wandb、swanlab），实现远程实时查看。该参数用于配置这些平台的接入方式。

2.5 核心训练超参数（重要！）

大家常说，大模型训练工程师调参的过程就像太上老君炼仙丹，需要在不同参数的组合中反复尝试，才能炼出“最好的丹”。这些“不同参数的组合”，指的就是核心训练超参数。可以说，超参数的设置是大模型训练工程师的看家本领。

为了让大家更直观地理解这些超参数，笔者依然用前面那张loss 下降图 来类比：大模型的训练，本质上就是从起始点不断下降、寻找最优 loss 的过程。虽然实际模型是一个极其高维的函数，远不止二维这么简单，但背后的思想是一致的——都是在寻找一个尽可能低的 loss 点。

首先来看看大模型训练相关的超参数配置：

• ### train
  per_device_train_batch_size: 1
  gradient_accumulation_steps: 8
  num_train_epochs: 1.0
  learning_rate: 1.0e-4
  lr_scheduler_type: cosine
  warmup_ratio: 0.1
  bf16: true
  ddp_timeout: 180000000
  resume_from_checkpoint: null 

参数一： per_device_train_batch_size

假设模型当前在起点位置，它该朝哪个方向走才能到达最优解？是方向一、方向二，还是方向三、方向四？显然，方向四才是正确的。那么，这个“方向四”是如何计算出来的？

简单来说，就是计算训练数据与当前模型 loss 之间的“斜率”（即梯度），从而确定下降方向。但训练数据量通常巨大，无法一次性全部计算。于是采用一个直观的方法：每次只拿一小部分数据来计算方向和步长，用局部趋势近似整体方向。这个小批量的数据量，就是 per_device_train_batch_size。

参数二： gradient_accumulation_steps

如果单批次数据量太小，每算一小批就更新一次权重可能过于“草率”。这时候可以累积多个批次的梯度，然后再统一更新一次，用小批次模拟大批次的效果。这就是 gradient_accumulation_steps 的作用。

有效批次大小 = 单卡批次大小 × 梯度累积步数。以上面配置为例，1 × 8 = 8，相当于每处理 8 条数据才更新一次梯度。

参数三： num_train_epochs

这个参数很好理解——将全部训练数据完整训练多少遍。num_train_epochs 设为 1，表示所有数据只训练一轮。

结合前面几个参数，大家来算一下训练的总步数。配置中 max_samples = 1000（取 1000 条数据），num_train_epochs = 1，有效批次大小为 1 × 8 = 8，因此总步数为：

(1000*1)/(1*8) = 125步

而 logging_steps 设为 10，表示每 10 步记录一次 loss。看看训练日志，是不是一目了然？

参数四： learning_rate

梯度下降不仅需要方向，还需要步幅。就像走路，方向对了，迈多大的步子决定了最终到达的位置。这时候有人可能会想：既然要快速下降，那把学习率设大一点不就好了？

其实不然。看下面这张图，如果当前在“中间值 1”的位置，学习率设置过大，一步就可能跨过最优解，直接跳到“中间值 2”，反而错过了最低点。所以，学习率需要谨慎设置。

参数五： warmup_ratio 与 lr_scheduler_type

由于一开始不确定设置的学习率是否合适，通常会让学习率从一个很小的值逐渐上升到设定值，这个过程叫 warmup （相当于慢慢升温的过程，和谈恋爱一样）。warmup_ratio 表示 warmup 阶段占总训练步数的比例。例如总步数为 100，warmup_ratio = 0.1，那么前 10 步学习率从 0 线性增加到设定值。

而随着训练接近尾声，为了防止在最优解附近震荡，比如下图中就从中间值n直接跳到了中间值n+1, 然后反复横跳。要解决这个问题往往还需要让学习率逐渐衰减。lr_scheduler_type 就是用来指定衰减策略的，LoRA 微调推荐使用 cosine（余弦退火），学习率会按照余弦曲线平滑下降。

参数六： 其他参数

其它的参数就比较好理解了

• bf16：混合精度训练开关。部分计算使用 BF16（16 位浮点数），仅在优化器更新时使用 FP32（32 位浮点数），对于每个参数都是32位浮点数表示的大模型可以有效降低显存占用。

• ddp_timeout：分布式训练的超时时间。大模型训练耗时较长，设置一个较长的超时时间可以防止因网络波动等原因提前中断训练。

• resume_from_checkpoint：断点续训的起点。如果训练意外中断，可以指定之前保存的检查点目录（通过 save_steps 保存的中间结果）来恢复训练。设为 null 表示从头开始训练。

2.6 验证集配置

虽然在上一篇文章的配置文件中，验证集相关参数被笔者注释掉了。但在实际训练中，这部分配置非常必要。

试想一下，如果把所有数据都用来训练，然后计算 loss，就像让学生做的考试题全是平时练过的——考试时测不出真实水平。相反，如果用大部分数据训练（题海战术），留出一小部分数据作为验证集（模拟考试），用这部分数据来评估模型的 loss，才能更客观地反映模型的泛化能力。

• # eval_dataset: alpaca_en_demo
  # val_size: 0.1
  # per_device_eval_batch_size: 1
  # eval_strategy: steps
  # eval_steps: 500

• eval_dataset：指定一个独立的验证集。该数据集同样需要在 dataset_info.json 中预先注册。

• val_size：如果不想单独准备验证集，也可以设置这个参数，从训练集中划出一部分数据作为验证集（0.1 表示划出 10%）。

• per_device_eval_batch_size：评估时的批处理大小，用于加速评估过程。

• eval_strategy 与 eval_steps：评估策略，eval_strategy: steps 表示按步数定期评估，eval_steps: 500 表示每 500 步进行一次验证。

通过验证集配置，大家可以实时观察模型在“考试”中的表现，避免模型只会“背题”而不会“做题”。

三、LoRA 参数调优初步指南

经过前面两节的详细讲解，大家应该已经对每个参数的含义有了比较清晰的认识。但理论归理论，真正动手配置时，可能还是会纠结：这个值设多少合适？为什么别人用的配置我照搬却效果不好？

本节笔者先给出一个相对稳妥的参数设置建议，帮助大家快速上手。至于在什么场景下应该调整哪些参数、如何根据训练曲线进行针对性优化，笔者会在下期文章中结合实际工作案例详细展开（欢迎关注我的微信公众号 大模型真好玩，更多智能体开发和大模型训练教程会第一时间在公众号上发布）。

3.1 lora_rank 调优规则

lora_rank 决定了适配器的表达能力。数值越大，可训练参数越多，模型适配复杂任务的能力越强，但显存占用也相应增加。可以参考以下经验值：

• 7B 及以下模型

  推荐 4–8，基线设为 8 即可覆盖大部分场景

• 13B 模型

  推荐 8–16，可根据显存情况适当调整

• 显存紧张时

  可降至 2–4，优先保证训练能够跑起来

• 任务复杂度高

  可升至 16–32，提升模型对复杂模式的拟合能力

核心原则：先保证显存够用，再根据任务复杂度逐步提升 rank。

---

3.2 lora_alpha 调优规则

lora_alpha 控制适配器对基座模型的影响强度。它与 lora_rank 共同决定了公式中的缩放因子 

，建议联动调整：

• 通用基线：α=r（如 r=8 时 alpha=8），可以适配 90% 以上的常规微调场景。

• 欠拟合时：训练 loss 下降缓慢、验证效果不佳，可将 α 设为 2*r（如 r=8 时 alpha=16），增强微调力度。

• 过拟合时：训练 loss 持续走低但验证 loss 不降反升，可适当降低 α，削弱微调强度，保留基座模型的泛化能力。

核心原则：保持 α/r 在 1~2 之间，既能保证训练稳定，又留出足够的调节空间

3.3 learning_rate 调优规则

学习率是影响训练收敛速度和稳定性的关键参数。LoRA 微调通常比全参数微调可以使用稍高的学习率：

推荐范围：1*10^-4  —— 2*10^-4

loss 震荡或发散：说明学习率偏高，建议适当降低

loss 下降极其缓慢：说明学习率偏低，可尝试小幅提升

核心原则：从小值开始试探，观察 loss 曲线再逐步调整。

3.4 批次组合调优（显存优先）

有效批次大小 = per_device_train_batch_size × gradient_accumulation_steps，建议目标有效批次不低于 8，以保证梯度估计的稳定性。

常见组合示例：

• 单卡批次 = 1，梯度累积 = 8 → 有效批次 = 8

• 单卡批次 = 1，梯度累积 = 16 → 有效批次 = 16

• 单卡批次 = 2，梯度累积 = 4 → 有效批次 = 8

如果显存不足，优先降低单卡批次大小，然后用梯度累积来补偿有效批次。

核心原则：在显存允许的范围内，优先保证有效批次足够，再考虑提升单卡批次以加快训练速度。

---

以上就是 LoRA 训练方法的核心参数配置指南。内容虽多，但每个参数的背后都有其设计逻辑。如果一次消化不完，可以收藏下来，在实际训练中对照着看。也欢迎大家在实际操作中遇到问题时，在评论区留言交流。

四、LLaMA Factory LoRA 合并参数详解

在上篇文章大模型训练全流程实战指南工具篇（九）——LLamaFactory大模型训练工具使用指南中笔者曾提到，LoRA 训练出来的只是一个轻量级的“适配器”，它本身并不能直接用于推理。需要将这个适配器与原始模型融合，才能得到一个完整的、可独立部署的模型。这个融合过程，就需要用到合并配置文件。

下面就是合并配置文件的示例（通常命名为 test_qwen_merge_sft.yaml）：

• ### Note: DO NOT use quantized model or quantization_bit when merging lora adapters
  
  ### model
  model_name_or_path: /workspace/Qwen2_5_0_5
  adapter_name_or_path: /workspace/test_sft/Qwen2_5_sft
  template: qwen
  trust_remote_code: true
  
  ### export
  export_dir: /workspace/test_sft/Qwen2_5_sft_all
  export_size: 5
  export_device: cpu  # choices: [cpu, auto]
  export_legacy_format: false

相比于训练配置文件，合并配置文件的参数要简洁得多，理解起来也相对容易。笔者逐项拆解。

4.1 模型定义部分

这部分用于指定“基础模型”和“要合并的适配器”。

• model_name_or_path: /workspace/Qwen2_5_0_5
  这是基础模型的本地路径。合并操作会把 LoRA 适配器中学到的权重变化，注入到这个基础模型的对应层中。这里使用的是 Qwen2.5 0.5B 版本。

• adapter_name_or_path: /workspace/test_sft/Qwen2_5_sft
  这是LoRA 适配器的路径。使用 LLaMA Factory 进行微调后，保存的并不是一个完整的全量模型，而是一个很小的“补丁”文件包，通常包含 adapter_model.bin 和 adapter_config.json 等文件。这个参数就是告诉工具：请把这个“补丁”合并到基础模型上。

• template: qwen
  指定对话模板。不同模型家族（如 Qwen、Llama、Baichuan）使用的对话格式各不相同，包括 system、user、assistant 的角色标记和结束符都有差异。由于基础模型是 Qwen2.5，这里必须设置为 qwen，确保合并后的模型在调用聊天接口时格式正确。

• trust_remote_code: true
  是否信任模型仓库中的自定义代码。对于一些非标准架构的模型（Qwen 系列就经常包含自定义的建模文件），加载时可能需要执行这些自定义代码才能正确读取模型结构。设置为 true 可以避免因代码执行权限问题导致的加载失败。

4.2 导出部分

这部分定义了合并后模型的输出方式。

• export_dir: /workspace/test_sft/Qwen2_5_sft_all
  合并后模型的输出目录。执行合并命令后，LoRA 适配器的权重会被计算并融合进基础模型，最终在这个目录下生成一个完整的、可独立部署的模型文件（如 model.safetensors 或 pytorch_model.bin）。你可以把这个目录当作一个全新的、可以直接用于推理的模型来使用。

• export_size: 5
  单个模型文件的大小限制（单位：GB）。如果合并后的模型总大小超过这个值，导出程序会自动将模型权重拆分成多个分片文件。例如，模型总大小为 10GB，设置 export_size: 5 后，会生成两个约 5GB 的文件（如 model-00001-of-00002.safetensors）。这种分片机制可以绕过一些文件系统对大文件的限制，也是 Hugging Face 和 ModelScope 上常见的大模型分发方式。

• export_device: cpu
  指定合并运算时使用的设备。

  • cpu

    在 CPU 上进行合并。虽然速度较慢，但不会占用显存。如果你的显存不足以同时加载基础模型和 LoRA 适配器进行合并，建议使用 CPU。

  • auto

    自动选择可用设备（通常是 GPU）。合并速度更快，但需要确保显存足够容纳基础模型和计算过程中的临时数据。需要提醒的是，某些环境下使用 auto 可能会遇到兼容性问题，如果遇到奇怪的报错，可以尝试切回 cpu。

• export_legacy_format: false
  决定输出文件的格式。

  • false

    （推荐）：使用 safetensors 格式。这是一种更安全、加载速度更快的模型存储格式，能有效避免因 pickle 反序列化带来的安全风险。目前主流的大模型仓库大多采用这种格式。

  • true

    ：使用传统的 bin 格式（pytorch_model.bin），适用于需要兼容旧代码的场景。

---

合并完成后，大家得到的就不再是一个“补丁”了，而是一个完整的、可以直接本地加载步数的独立模型。这个模型既保留了基础模型的通用能力，又融入了微调时学到的特定技能，可以随时用于推理或进一步部署。

五、总结

本文系统讲解了 LLaMA Factory 的核心训练参数，从全量训练、LoRA 到 QLoRA 的方法对比，到LORA配置文件中每一个参数的含义与调优建议，再到适配器的合并导出，通过形象的比喻和详尽的内容确保大家都能掌握大模型训练的参数，帮助大家真正理解大模型训练的“内功心法”，从“能跑通”走向“效果好、可控”。下篇文章笔者将结合真实业务场景，深入讲解如何根据训练日志动态调整参数，手把手带大家学会炼出“最好的仙丹”的过程。欢迎持续关注！

要想完全学懂还是需要亲手实践一下，大家可以照着笔者的教程亲手实践一遍。