从0到1，无代码微调并部署本地大语言模型LLM

前言

LLM模型微调 能让大模型掌握特定行业的深度知识，能够实现AI虚拟主播，AI医生，AI程序员，AI网络安全工程师等特定领域的延展。更重要的是，当有本地部署的硬件条件限制时，能够让微调后小的大语言模型等效百亿级的大语言模型

测试环境：windows11，RTX4070显卡
下面将手把手带你跑通无代码模型微调的全过程

环境安装

必要的工具：

• git： https://git-scm.cn/ （方便拉取资源）
• python： https://www.python.org/ （微调和运行必要环境）

流程：

1. 创建文件夹，并拉取 llama-factory项目

mkdir D:/LLM-Tuning
cd D:/LLM-Tuning
git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.git
cd LLaMA-Factory

2. 安装LLaMA-Factory需要的环境

pip install -e ".[torch,metrics]"
pip install modelscope

3. 验证环境

python -c "import torch; print(torch.cuda.is_available()); print(torch.cuda.get_device_name(0))"

正常输出如下：

错误：正常来说安装完后验证环境会显示显卡型号，但是我在安装时，会出现报错，原因是它安装了错误的cuda版本，需要重新安装torch

解决方法如下：

pip uninstall torch torchvision torchaudio

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu126

如果其他版本请参考官网： https://pytorch.org/get-started/locally/

微调

这里用于演示，只对模型做一个自我认知的微调

准备数据集

拉取数据集

git clone https://www.modelscope.cn/datasets/DanKe123abc/yuki_identity_sft.git

修改数据集

下载完后，目录结构如下：

我们需要关注的是yuki_identity_sft.jsonl文件，用编辑器将下列文字全局替换：

Yuki => 陈千语
DanKe => 管理员

效果图如下：

准备本地模型

这里使用的是qwen2.5_1.5B用于演示
下载模型

from modelscope import snapshot_download

download_dir = "D:\\Models\\Qwen2.5-1.5B-Instruct"

model_dir = snapshot_download(
    'qwen/Qwen2.5-1.5B-Instruct', 
    cache_dir=download_dir, 
    revision='master'
)

print(f"下载完成！模型路径为: {model_dir}")

微调

配置数据集信息

1. 打开D:\LLM-Tuning\LLaMA-Factory\data文件，将刚刚修改好的数据集yuki_identity_sft.jsonl文件拖入文件夹中
2. 打开dataset_info.json文件，添加新配置：

"MytestData": {
    "file_name":"yuki_identity_sft.jsonl",
    "columns": {
      "messages": "conversations"
    },
    "tags": {
      "role_tag": "role",
      "content_tag": "content",
      "user_tag": "user",
      "assistant_tag": "assistant"
    },
    "formatting": "sharegpt"
  },

打开LLamaFactory微调面板

python -m llamafactory.cli webui

设置参数如图，其他的默认就行：

设置完后直接点击开始，模型就开始训练了，训练完后会出现下面提示：

验证模型

加载训练完后的lora模型

训练前后的大模型对比

训练前

训练后

观察图片可以发现，微调后qwen2.5认为自己是陈千语，自己由管理员开发的

大模型部署

下面不是新手向

如果只是希望学习微调的在这里已经结束了，下面是本系列教程的后续，如何用langchain部署本地的LLM微调大语言模型

环境配置

安装需要的环境

pip install peft langchain langchain-huggingface

下面是样例代码

代码流程如下：
加载基座模型->加载 LoRA 权重->正在合并权重->构建Langchain通道->调用模型

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer, pipeline
from peft import PeftModel
from langchain_huggingface import HuggingFacePipeline
from langchain_core.prompts import PromptTemplate

BASE_MODEL_PATH = r'D:\Models\Qwen2.5-1.5B-Instruct\qwen\Qwen2___5-1___5B-Instruct'
LORA_PATH = r'D:\D_MyProject\LLM-Tuning\LLaMA-Factory\saves\Qwen2.5-1.5B\lora\train_2026-02-13-23-16-50\checkpoint-260'

print("1. 正在加载基座模型...")
tokenizer = AutoTokenizer.from_pretrained(BASE_MODEL_PATH, trust_remote_code=True)

base_model = AutoModelForCausalLM.from_pretrained(
    BASE_MODEL_PATH,
    torch_dtype=torch.float16,
    device_map="auto",  
    trust_remote_code=True
)

print("2. 正在加载 LoRA 权重 ...")
model = PeftModel.from_pretrained(base_model, LORA_PATH)

print("3. 正在合并权重 ...")
model = model.merge_and_unload()

print("4. 构建 LangChain 管道...")
pipe = pipeline(
    "text-generation",
    model=model,
    tokenizer=tokenizer,
    max_new_tokens=200,    
    do_sample=True,        
    temperature=0.7,      
    repetition_penalty=1.1 
)

llm = HuggingFacePipeline(pipeline=pipe)

print("\n=== 陈千语上线 ===\n")

respone = llm.invoke('你好，你是谁？')
print(f"{respone}")

演示效果

至此，我们成功的实现了大模型LLM从微调到部署，把之前的langchain串起来...

如果❤喜欢❤本系列教程，就点个关注吧，后续不定期更新~