大模型微调工具 XTuner 指令微调实战复杂吗？这里有门道……

一、XTuner简介

XTuner 是由上海 AI 实验室的 InternLM 团队推出的一款轻量化大模型微调工具库，支持大语言模型和多模态图文模型的预训练及轻量级微调。以下是其特点：

高效：仅需 8GB 显存即可微调 7B 模型，支持多节点跨设备微调 70B + 大模型。通过自动分发 FlashAttention、Triton kernels 等高性能算子加速训练，兼容 DeepSpeed，能轻松应用 ZeRO 优化策略提升训练效率。

灵活：兼容 InternLM、Llama 2、ChatGLM,QWen,DeepSeek 等多种主流大语言模型和 LLaVA 多模态图文模型，支持预训练与微调。数据管道设计灵活，兼容任意数据格式，支持 QLoRA、LoRA 及全量参数微调等多种算法。

全能：支持增量预训练、指令微调与 Agent 微调，提供丰富的开源对话模板便于与模型交互。训练所得模型可无缝接入部署工具库 LMDeploy、评测工具库 OpenCompass 及 VLMEvalKit，实现从训练到部署的全流程支持。

官网文档：

https://xtuner.readthedocs.io/zh-cn/latest/index.html

github地址：

https://github.com/InternLM/xtuner

二、安装

我们推荐用户参照官方的最佳实践安装 XTuner。 推荐使用 Python-3.10 的 conda 虚拟环境安装 XTuner。

步骤 1. 使用 conda 先构建一个 Python-3.10 的虚拟环境

conda create --name xtuner-env python=3.10 -y
conda activate xtuner-env

步骤 2. 安装 XTuner

一般来说，我们都需要调整数据集、配置文件和训练模型，所以需要下载源码安装

git clone https://github.com/InternLM/xtuner.git
cd xtuner
pip install -e '.[deepspeed]'

步骤3.验证是否安装成功

为了验证 XTuner 是否安装正确，我们将使用命令打印配置文件。

打印配置文件： 在命令行中使用 xtuner list-cfg 验证是否能打印配置文件列表。

xtuner list-cfg

三、XTuner数据集

大语言模型 Supervised Finetune（SFT）旨在通过有监督的微调来提高预训练模型在特定任务上的性能。为支持尽可能多的下游任务，XTuner 支持了增量预训练、单轮对话、多轮对话三种数据集格式。

• 增量预训练数据集用于提升模型在特定领域或任务的能力。
• 单轮对话和多轮对话数据集则经常用于指令微调（instruction tuning）阶段，以提升模型回复特定指令的能力。

为了统一增量预训练、单轮对话和多轮对话三种数据集格式，我们将数据集格式设置为以下形式：

[{
"conversation":[
{
"system": "xxx",
"input": "xxx",
"output": "xxx"
}
]
},
{
"conversation":[
{
"system": "xxx",
"input": "xxx",
"output": "xxx"
},
{
"input": "xxx",
"output": "xxx"
}
]
}]

四、XTuner配置文件

1、查看XTuner支持哪些大模型

看源码就可以看到XTuner支持哪些大模型了。目录路径：xtuner/xtuner/configs

从上图可以看到XTuner支持了很多大模型，若没有列出，则表明不支持。XTuner支持目前主流的大模型，比如qwen,llama,deepseek,chatglm等。

2、查看XTuner对大模型微调的配置文件

拿qwen1.5-1.8b模型来说，XTuner对该模型微调的配置文件是：xtuner/xtuner/configs/qwen/qwen1_5/qwen1_5_1_8b_chat/qwen1_5_1_8b_chat_qlora_alpaca_e3.py 。

常用的参数有：

（1）大模型名称:pretrained_model_name_or_path

（2）提示词模版：prompt_template

（3）数据集最大长度：max_length

（4）是否检查他的最大长度：pack_to_max_length

（5）优化器相关配置：

# Scheduler & Optimizer
batch_size = 1  # per_device
accumulative_counts = 16
accumulative_counts *= sequence_parallel_size
dataloader_num_workers = 0
max_epochs = 3
optim_type = AdamW
lr = 2e-4
betas = (0.9, 0.999)
weight_decay = 0
max_norm = 1  # grad clip
warmup_ratio = 0.03

batch_size:批处理大小，超参数，需要根据你服务器的配置，尝试运行几次，找到资源利用率最高的数值。

max_epochs:最大训练轮数,至少300。

（6）保存的相关配置：

# Save
save_steps = 500
save_total_limit = 2  # Maximum checkpoints to keep (-1 means unlimited)

save_steps:保存间隔，500个 ；save_total_limit:最大保存 checkpoint 个数，-1 表示无限制

（7）验证测试：

# Evaluate the generation performance during the training
evaluation_freq = 500
SYSTEM = SYSTEM_TEMPLATE.alpaca
evaluation_inputs = ["请给我介绍五个上海的景点", "Please tell me five scenic spots in Shanghai"]

evaluation_freq: 验证对话效果频率,与保存间隔保持一致即可。

evaluation_inputs:验证对话效果时测试问题。一般是从数据集中找一些有代表性的input数据。

（8）LoRA 配置

model = dict(   # 构建 model
type=SupervisedFinetune,   # 指令跟随微调
use_varlen_attn=use_varlen_attn,
llm=dict( # LLM
type=AutoModelForCausalLM.from_pretrained,
pretrained_model_name_or_path=pretrained_model_name_or_path,
trust_remote_code=True,
torch_dtype=torch.float16,
quantization_config=dict(  # 量化配置
type=BitsAndBytesConfig,
load_in_4bit=True,
load_in_8bit=False,
llm_int8_threshold=6.0,
llm_int8_has_fp16_weight=False,
bnb_4bit_compute_dtype=torch.float16,
bnb_4bit_use_double_quant=True,
bnb_4bit_quant_type="nf4",
),
),
lora=dict(   # LoRA 配置
type=LoraConfig,
r=64,
lora_alpha=16,
lora_dropout=0.1,
bias="none",
task_type="CAUSAL_LM",
),
)

load_in_4bit=True：默认是4位的QLoRA微调，若需要8位的QLoRA,则 load_in_4bit=False并且load_in_8bit=True。

若不需要启动QLoRA则需要注释掉:

-       quantization_config=dict(
-           type=BitsAndBytesConfig,
-           load_in_4bit=True,
-           load_in_8bit=False,
-           llm_int8_threshold=6.0,
-           llm_int8_has_fp16_weight=False,
-           bnb_4bit_compute_dtype=torch.float16,
-           bnb_4bit_use_double_quant=True,
-           bnb_4bit_quant_type='nf4')

五、XTuner指令微调实战

1、下载大模型

我们拿Qwen1.5-1.8B-Chat来做测试，从魔塔社区下载模型的代码：

#模型下载
from modelscope import snapshot_download
model_dir = snapshot_download('Qwen/Qwen1.5-1.8B-Chat',cache_dir="/root/autodl-tmp/llm")

保存到路径：/root/autodl-tmp/llm下。

2、制作数据集

将我们制作好的数据集传到服务器上，我们一般放 XTuner源码data目录里（没有则创建该目录）。

3、复制配置文件

一般我们会保留XTuner的原始配置文件，将配置文件复制一份放其根目录下。比如将xtuner/xtuner/configs/qwen/qwen1_5/qwen1_5_1_8b_chat/qwen1_5_1_8b_chat_qlora_alpaca_e3.py复制到xtuner根目录。

该配置虽然是qwen1.5版本，其实也可以用作qwen2.5 。

4、修改配置文件

PART 1中

### PART 1中
#预训练模型存放的位置
pretrained_model_name_or_path = "/root/autodl-tmp/llm/Qwen/Qwen1.5-1.8B-Chat"
#微调数据存放的位置
#alpaca_en_path = "tatsu-lab/alpaca"
data_files = '/root/autodl-tmp/project/day11/xtuner/data/target_data.json'#基座模型路径
# 训练中最大的文本长度
max_length = 512
# 每一批训练样本的大小
batch_size = 10
#最大训练轮数
max_epochs = 1000
#验证数据
evaluation_inputs = ["只剩一个心脏了还能活吗？", "爸爸再婚，我是不是就有了个新娘？","马上要上游泳课了，昨天洗的泳裤还没干，怎么办"]

PART 2中

lora=dict(
type=LoraConfig,
r=64,
lora_alpha=128,  # 修改这个值，这个值一般是r的2倍
lora_dropout=0.1,
bias="none",
task_type="CAUSAL_LM",
),

PART 3中

dataset=dict(type=load_dataset, path="json",data_files=data_files)
dataset_map_fn=None

我们的数据集是一个json文件，所以path改为json，data_files指定json文件绝对路径的标量。并且将dataset_map_fn设置为None。

5、执行微调训练指令

在当前目录下，输入以下命令启动微调脚本。

xtuner train  qwen1_5_1_8b_chat_qlora_alpaca_e3.py

6、训练过程确认

执行微调训练指令成功后，将 xtuner/work_dirs/ 目录下看到执行的内容。

---

下一篇我们将对微调后的模型进行模型转换和合并等重要实战操作。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！