收藏必备：大模型微调全流程：从ChatGLM-6B到Qwen2.5-7B的实战指南

本文系统总结了大模型微调的完整流程，从目标确定、数据准备到模型部署的7大步骤，详解了LoRA参数高效微调原理。无论你是初学者还是有一定经验的开发者，都能通过本文掌握微调大模型的核心技术与方法，提升模型在特定场景的性能表现。收藏本文，助你快速上手大模型微调，解决实际应用中的技术难题。

---

前面2篇做了模型微调实战，一个是智谱ChatGLM-6B模型，另外一个Qwen2.5-7B模型，这篇在实战的基础上做一个总结，梳理出模型微调的一般流程。

大模型微调（Fine-tuning）是在预训练模型的基础上，通过特定领域或任务的数据进行针对性训练，以提升模型在目标场景中的性能。其核心流程如下：

1、明确目标和数据准备

明确模型的目标，比如是文本类型，还是图片类型，还是推理类型。并且做好评估模型的指标。

数据准备，尽量多收集更多场景的数据，确保数据的真实性和多样性，将数据分为训练集，验证集，测试集（常用的比例如80%-10%-10%）

2、数据预处理

将数据进行清洗，格式转换成模型识别的格式，还有使用预训练模型对应的分词

3、基座模型加载和模型参数设置

选择对应的基座模型，并进行模型参数设置，比如序列长度，数据类型，内存优化参数等

调整模型结构，指微调的方法，选择全参数还是参数高效微调，现在大模型微调基本上选择参数高效微调（如LoRA/QLoRA）

4、训练超参数及优化策略

比如设置学习率，通常较少的学习率是1e-5到5e-5，优化器选择，权重衰减，混合精度训练等

5、进行训练和验证

模型训练train()时可以多训练几个批次，拿着验证集去验证模型eval()

6、模型评估和优化

根据模型评估指标去评估，差异大时，需要进行超参数调优，进行多轮训练

7、模型保存及上线部署

模型保存save()导出，最后部署给别人调用。就像代码升级一样。

说一说我理解的参数高效微调模型的LoRA原理，是基于数学向量运算为理论基础，看下面的LoRA原理图，左边是基座模型，右边是LoRA层，训练时两边互相不干扰，训练完后进行统一的输出。模型本质是一个非常大的多维度向量，右边LoRA层就是利用2个小维度的向量相乘，得到一个大的向量，最后是2个同纬度的向量进行向量的相加。得出最后的结果输出。改变原模型输出质量，可以输出更准确的答案。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

作为一名从业五年的资深大模型算法工程师，我经常会收到一些评论和私信，我是小白，学习大模型该从哪里入手呢？我自学没有方向怎么办？这个地方我不会啊。如果你也有类似的经历，一定要继续看下去！这些问题啊，也不是三言两语啊就能讲明白的。

所以我综合了大模型的所有知识点，给大家带来一套全网最全最细的大模型零基础教程。在做这套教程之前呢，我就曾放空大脑，以一个大模型小白的角度去重新解析它，采用基础知识和实战项目相结合的教学方式，历时3个月，终于完成了这样的课程，让你真正体会到什么是每一秒都在疯狂输出知识点。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】