LLAMA-Factory Qwen3-1.7b模型微调

一、LLaMA Factory介绍

• 核心特点：一站式大模型微调工具包，支持几乎所有主流开源大模型（LLaMA 系列、Qwen、ChatGLM、Mistral、Yi 等），集成了多种微调策略（全量微调、LoRA、QLoRA、IA³、Prefix Tuning 等），并提供命令行和 Web UI 操作，对新手友好。

• 优势：配置简单，支持多轮对话数据格式，内置常见数据集（如 Alpaca、ShareGPT 等），可直接对接 Hugging Face 模型和数据集，支持模型评估和部署导出，自定义超参数，界面支持中文、英文等多种语言；

• 适用场景：快速验证微调效果、中小规模数据集微调、多模型对比实验。

• 仓库地址：hiyouga/LLaMA-Factory

二、微调的过程

三、微调优势

• 资源效率高：相比从头训练，微调所需数据量和计算资源大大减少。

• 📦部署速度快：可以快速适配新任务，加快模型上线进程。

• ✅性能提升明显：在特定任务上显著提高准确性和泛化能力。

• 🌐领域适应性强：帮助模型更好地理解专业领域语言风格。

四、安装LLama-Factory

1、clone 源代码

git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.git

2、安装依赖

cd LLaMA-Factory
pip install -e ".[torch,metrics]"

3、检查版本

llamafactory-cli version

---

| Welcome to LLaMA Factory, version 0.9.4.dev0 |
| |

| Project page: https://github.com/hiyouga/LLaMA-Factory |

4、打开llamafactory可视化界面

llamafactory-cli webui

五、模型微调

在ui界面上操作，调整下属四个参数：

1、选择你要微调的模型，最好提前用modelscope 下载模型，然后模型路径填本地模型所在的路径

https://modelscope.cn/models

modelscope download --model Qwen/Qwen3-1.7B --local_dir

2、选择微调用的数据集，LLaMA Factory本身自带一些数据集，此次用另外一个自定义的数据集，执行命令下载自定义训练集；

wget https://atp-modelzoo-sh.oss-cn-shanghai.aliyuncs.com/release/tutorials/llama_factory/data.zip

将其中的train.json复制到本地LLaMA Factory中的data路径下，同时，修改dataset_info.json,在底部增加train训练集；在回到ui界面就能看到train训练集的选项了；

3、调整学习率（非必须）

此处将学习率调的较大，主要是想快速验证模型微调后的效果，大概率是过拟合的，但可以微调前后问同一个问题，对比二者的差异；

4、迭代轮次（非必须）

此处轮次也没有设置太大，本身的训练集数据量很小，也只是想尽快出结果，毕竟也只是跑个demo;

六、微调前后模型测试

1、ui界面上可以看到实时的训练进度以及loss曲线，也可以在底部看到log日志以及显存使用量；

2、微调前

3、微调后

4、其实微调后的模型的回答更偏向我们微调的数据集，和数据集中的内容有部分一样，所以，可看出模型微调的作用，就是使其回答更靠近我们自定义的数据集；

七、导出模型

按照下图选择原始模型路径以及检查点路径，可导出微调后的模型；之后在部署时，可直接使用导出后的模型，即为微调后的模型