大模型（Qwen3）训练实战：从零开始玩转LLaMA-Factory

关注

原创最新推荐文章于 2026-05-17 09:36:38 发布 726 阅读 AI 写同款· GEO 优化 ›

使用 swift 微调 Qwen3-4b 模型 Qwen3 推荐使用 Axolotl、UnSloth、Swift、Llama-Factory 等训练框架来进行 SFT、DPO、GRPO 等微调模型的处理。魔搭社区提供的 ms-swift 框架，支持 500 多种大模型与 200 多种多模态大模型的训练、推理、评测、量化与部署，涵盖众多知名模型。它还汇集了多种轻量化训练技术及人类对齐训练方法，并支持使用 vLLM 和 LMDeploy 进行加速，同时运用多种技术对大模型量化，且提供了基于 Gradio 的 Web-UI 界面及丰富最佳实践。阅读详情

这一篇来整体讲一下大模型的训练和微调，选用的大模型依然是大模型（Qwen3）,训练和微调的框架使用的是LLaMA-Factory。

在人工智能技术日新月异的今天，大型语言模型（LLM）已成为科技领域的热门话题。但对于大多数开发者和企业来说，如何高效、低成本地微调这些"庞然大物"仍是一个难题。

今天，我将为大家详细介绍如何使用LLaMA-Factory这一开源框架，从环境搭建到模型训练，再到实际应用，手把手教你打造属于自己的AI助手！

一、LLaMA-Factory：大模型微调的瑞士军刀

LLaMA-Factory是一个专为大型语言模型微调设计的开源框架，它就像是为大模型量身定制的"精加工车间"。这个框架最大的优势在于：

高效低成本：优化了微调过程中的资源消耗，让普通开发者也能负担得起
广泛兼容：支持近百种主流大模型，包括LLaMA、Qwen、DeepSeek等热门系列
操作简便：通过Web界面可视化操作，大大降低了技术门槛

“工欲善其事，必先利其器”，在开始我们的微调之旅前，让我们先搭建好这个强大的"工厂"。

二、环境搭建：三步打造专业微调平台

2.1 创建工作目录并克隆仓库

mkdir -p /data/train && cd /data/traingit clone https://github.com/hiyouga/LLaMA-Factory.git

2.2 安装依赖包

pip install -e .

在当前目录下查找Python包的元数据（如依赖关系、版本信息等），然后以可编辑模式安装该包及其所有依赖项。

-e 或者 --editable：这是一个选项，表示以可编辑模式安装包"，后续对代码的任何修改都会立即生效，非常适合调试和开发；. 指定当前目录，pip查找当前目录下的setup.py文件。

2.3 配置Hugging Face镜像（国内用户必备）

huggingface_hub是指由Hugging Face提供的Python库，用于与Hugging Face的模型库进行交互，包括下载、上传和管理机器学习模型和数据集。具体来说：

安装：通过pip install -U huggingface_hub命令可以安装huggingface_hub库，确保使用最新版本。
功能：该库允许开发者访问Hugging Face Model Hub上的资源，包括预训练模型和数据集，便于模型的下载、加载和管理。
下载模型：可以使用huggingface-cli来下载模型，如：huggingface-cli download --resume-download Qwen/Qwen3-0.6B-Base --local-dir /data/models/Qwen/Qwen3-0.6B-Base，# 下载模型到指定的本地路径。

总之，huggingface_hub是一个强大的工具，帮助开发者高效地获取和管理Hugging Face上的机器学习资源。

由于网络限制，国内用户可以通过设置镜像源来加速下载：

export HF_ENDPOINT=https://hf-mirror.compip install -U huggingface_hub

三、模型获取：为微调准备"原材料"

选择适合的基座模型是微调成功的关键。这里我们以Qwen3-0.6B-Base模型为例：

mkdir -p /data/models/Qwen/Qwen3-0.6B-Basehuggingface-cli download --resume-download Qwen/Qwen3-0.6B-Base --local-dir /data/models/Qwen/Qwen3-0.6B-Base

模型选择小贴士：

对于普通任务：0.5B-7B参数量的模型性价比最高
对于专业领域：建议选择在相关领域有预训练的基座模型
资源有限时：可以考虑量化版本或小型模型

四、数据准备：打造专属"知识库"

数据是微调的灵魂，我们使用一个经济学相关的对话数据集作为示例：

4.1 下载数据集

git clone https://github.com/echonoshy/cgft-llm.git cp cgft-llm/data/fintech.json /data/train/LLaMA-Factory/data/

这里选择的数据集文件是关于经济学的对话信息，内容如下：

数据准备黄金法则：

数据质量 > 数据数量：1000条高质量数据胜过10000条低质数据
领域聚焦：数据应紧密围绕目标应用场景
格式规范：确保数据格式与模型预期一致

五、微调实战

5.1 启动Web UI

cd /data/train/LLaMA-Factoryexport GRADIO_SERVER_PORT=8800nohup llamafactory-cli webui 2>&1 > webui.log &

5.2 配置微调参数

在Web界面中，我们需要关注几个核心参数：

学习率：通常设置在1e-5到5e-5之间
批处理大小：根据GPU内存调整，可从4开始尝试
训练轮次：3-5个epoch通常足够
LoRA参数：rank一般设为8或16，alpha设为16或32

5.3 设置输出并开始

完成执行后输出模型：

内存优化技巧：当遇到内存不足时，可以：

减小批处理大小
启用梯度累积
使用更高效的优化器（如Adafactor）

六、新模型的部署

6.1 模型合并与导出

将 base model 与训练好的 LoRA Adapter 合并成一个新的模型。训练完成后，我们需要将LoRA适配器与基础模型合并：

llamafactory-cli export --model_name_or_path /data/models/Qwen/Qwen3-0.6B-Base --adapter_name_or_path /data/train/LLaMA-Factory/saves/Qwen3-0.6B-Base/lora/train_2025-05-22-08-16-07 --template qwen3 --finetuning_type lora --export_dir /data/models/Qwen/Qwen3-0.6B-yangxl

6.2 使用vLLM高效部署训练好的模型

CUDA_VISIBLE_DEVICES=0 nohup python3 -m vllm.entrypoints.openai.api_server \ --model=/data/models/Qwen/Qwen3-0.6B-yangxl \ --served-model-name=Qwen3-0.6B-yangxl \ --dtype=bfloat16 \ --trust-remote-code \ --device=cuda \ --max-model-len=1024 \ --tensor-parallel-size=1 \ --gpu-memory-utilization=0.85 \ --enable-reasoning \ --reasoning-parser deepseek_r1 \ --port 8802 \ --api-key token-123456 &