在魔乐社区使用llama-factory微调Qwen3.5-4B模型

微调前期准备

下载qwen3.5-4B模型

shell 复制代码

# 首先保证已安装git-lfs（https://git-lfs.com）
git lfs install

git clone https://modelers.cn/Qwen-AI/Qwen3.5-4B.git

下载Llama-factory

shell 复制代码

git clone --depth 1 https://gh.llkk.cc/https://github.com/hiyouga/LlamaFactory.git

微调环境搭建

我们依然是搭建一个miniconda

shell 复制代码

#清除当前shell会话中的PYTHONPATH环境变量
unset PYTHONPATH

# 安装miniconda
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-aarch64.sh
bash Miniconda3-latest-Linux-aarch64.sh
conda config --set auto_activate_base false
bash

#加载conda配置
source ~/.bashrc
# 接受main通道的条款
conda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/main
# 接受r通道的条款  
conda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/r
# 创建python3.11环境
conda create --name LlamaFactory python=3.11 -y
conda activate LlamaFactory

安装LlamaFactory环境依赖

shell 复制代码

cd LlamaFactory
pip install -e .
# 可以安装 flash-linear-attention 获得训练推理加速效果
pip uninstall fla-core flash-linear-attention -y && pip install -U git+https://github.com/fla-org/flash-linear-attention

#因为我们使用的昇腾的npu的算力，所以我们还需要额外装一个torch-npu和decorator
pip install torch-npu == 2.10.0rc2
pip install decorator

可以使用下面的命令验证是否安装成功：

shell 复制代码

llamafactory-cli version

显示llamafactory的版本，则表示安装成功

完成环境的搭建之后我们还需要将昇腾的环境启动命令跑一遍，使用以下的命令

shell 复制代码

source /usr/local/Ascend/ascend-toolkit/set_env.sh
source /usr/local/Ascend/nnal/asdsip/set_env.sh
source /usr/local/Ascend/nnal/atb/set_env.sh

下载数据集

根据llamafactory的要求我们需要把数据集放到LlamaFactory/data

shell 复制代码

cd LlamaFactory/data

我们先下载数据集，数据集的制作的过程比较繁琐，这里我们使用准备好的数据集，大家也可以使用自己制作的数据集（这里我是拿的官方给的测试数据集）：

shell 复制代码

#下载数据集
git clone https://modelers.cn/chicheng/mllm_robot.git

# 移动数据集到LlamaFactory/data文件夹
cd mllm_robot
mv mllm_robot.zip /home/openmind/LlamaFactory/data

#然后我们到LlamaFactory/data目录来解压数据集
cd LlamaFactory/data
# 解压
python3 -c "import zipfile; zipfile.ZipFile('mllm_robot.zip').extractall()"

修改 dataset_info.json 文件，将我们刚刚下载的数据集添加进去

shell 复制代码

"mllm_robot": {
    "file_name": "mllm_robot.json",
    "formatting": "sharegpt",
    "columns": {
      "messages": "messages",
      "images": "images"
    },
    "tags": {
      "role_tag": "role",
      "content_tag": "content",
      "user_tag": "user",
      "assistant_tag": "assistant"
    }
  },
  "mllm_robot_en": {
    "file_name": "mllm_robot_en.json",
    "formatting": "sharegpt",
    "columns": {
      "messages": "messages",
      "images": "images"
    },
    "tags": {
      "role_tag": "role",
      "content_tag": "content",
      "user_tag": "user",
      "assistant_tag": "assistant"
    }
  },

模型微调

训练脚本准备

因为魔乐社区的体验空间是终端的形式，我们现在暂时无法使用LlamaFactory的Web_UI，使用我们需要写一个训练的yaml文件

yaml 复制代码

# 模型参数
model_name_or_path: /home/openmind/Qwen3.5-4B  # 或您的本地模型路径
template: qwen3_5                                 # 模型模板
trust_remote_code: true                        # 对于Qwen模型通常需要

# 训练参数
stage: sft                                     # 监督微调
do_train: true
finetuning_type: lora                           # 使用LoRA
lora_target: q_proj,k_proj,v_proj,o_proj                       # LoRA作用模块 (可按需调整)
dataset: mllm_robot,mllm_robot_en                # 使用两个数据集 (用逗号分隔)
learning_rate: 1.0e-4
num_train_epochs: 5.0
per_device_train_batch_size: 1                   # 根据显存调整 (使用多卡可以自行调整这里)
gradient_accumulation_steps: 16                    # 确保总batch_size合适
bf16: true                                        # 昇腾910B支持bf16，可开启以节省显存

# 输出参数
output_dir: /home/openmind/Qwen3.5-4B/lora/train_Qwen3.5-4B  # 与教程对应的输出目录
logging_steps: 10
save_steps: 500
overwrite_output_dir: true

# 硬件与分布式相关 
fp16: false                                      # 已启用bf16，关闭fp16避免冲突
ddp_timeout: 180000                               # 分布式超时设置

命令解释的内容：

shell 复制代码

# ==================== 模型参数 ====================
model_name_or_path: /home/openmind/Qwen3.5-4B  
# 模型路径：可以是本地路径（如本例），也可以是 Hugging Face 模型 ID（例如 "Qwen/Qwen2.5-7B"）
# 如果从 Hugging Face 下载，确保网络通畅且有权访问。

template: qwen3_5                                 
# 对话模板：根据模型系列选择，常见值：
# - qwen3_5: 通义千问 Qwen3.5 系列
# - qwen: 通用 Qwen 系列（包括 Qwen1.5/2/2.5）
# - llama3: Llama-3 系列
# - default: 基础模板（若不确定可先用此）
# 模板影响输入格式（如角色标签、系统消息等），选错可能导致训练异常。

trust_remote_code: true                        
# 是否信任远程代码：对于 Qwen、ChatGLM 等使用自定义模型结构的模型，必须设为 true。

# ==================== 训练参数 ====================
stage: sft                                     
# 训练阶段：sft 表示监督微调（Supervised Fine-Tuning）
# 其他可选值：
# - pt: 预训练（Pretraining）
# - rm: 奖励建模（Reward Modeling）
# - dpo/kto/orpo: 偏好优化
# - ppo: 强化学习微调（需额外配置）

do_train: true
# 是否执行训练：设为 true 时进行训练；false 时仅评估或推理。

finetuning_type: lora                           
# 微调方法：
# - lora: 低秩适配（参数高效，显存友好）
# - full: 全参数微调（需更多显存）
# - freeze: 冻结部分层，仅训练最后几层
# - oft: 正交微调（另一种参数高效方法）

lora_target: q_proj,k_proj,v_proj,o_proj                       
# LoRA 作用的目标模块（以逗号分隔）。
# 不同模型模块名不同，常用选项：
# - q_proj, k_proj, v_proj, o_proj: 注意力层的线性层（适用于 Qwen/Llama）
# - gate_proj, up_proj, down_proj: MLP 层（若需增加参数量）
# - all: 所有线性层（参数量大，需注意显存）
# 可根据需要增删模块，例如仅微调注意力层：q_proj,v_proj

dataset: mllm_robot,mllm_robot_en                
# 训练数据集名称（多个用逗号分隔）。
# 这些名称必须在 data/dataset_info.json 中预先定义。
# 定义示例（在 dataset_info.json 中）：
#   "mllm_robot": {
#     "file_name": "mllm_robot.json",
#     "formatting": "sharegpt",
#     "columns": {"messages": "messages", "images": "images"},
#     "tags": {"role_tag": "role", "content_tag": "content", "user_tag": "user", "assistant_tag": "assistant"}
#   }
# 数据集文件需放在 data/ 目录下，格式参考官方文档。

learning_rate: 1.0e-4
# 初始学习率。LoRA 通常用 1e-4 左右，全量微调用 1e-5。
# 可根据收敛情况调整，过大可能导致不收敛，过小则训练缓慢。

num_train_epochs: 5.0
# 训练轮数（epoch）。一轮表示完整遍历一次训练集。
# 根据数据集大小和任务复杂度调整，过小可能欠拟合，过大可能过拟合。

per_device_train_batch_size: 1                   
# 每张 NPU/GPU 卡的 batch size。
# 根据显存大小调整：显存充足可增大（如 2,4），显存不足则保持 1。
# 多卡时，总 batch size = per_device_batch_size × 卡数 × gradient_accumulation_steps。

gradient_accumulation_steps: 16                    
# 梯度累积步数。用于模拟更大的 batch size，不增加显存占用。
# 总 batch size = per_device_batch_size × 卡数 × gradient_accumulation_steps。
# 例如：单卡 batch=1，累积 16 步 → 实际 batch size = 16；
#       双卡 batch=1，累积 16 步 → 实际 batch size = 32。
# 根据训练稳定性和收敛速度调整，通常保持总 batch size 在 16~64 之间。

bf16: true                                        
# 使用 bfloat16 混合精度训练（节省显存，加速）。
# 昇腾 910B 支持 bf16，可开启。若硬件不支持，需改为 false 并使用 fp16 或 fp32。

# ==================== 输出参数 ====================
output_dir: /home/openmind/Qwen3.5-4B/lora/train_Qwen3.5-4B  
# 训练输出目录，用于保存：
# - 模型检查点（checkpoint-xxx）
# - 训练日志（trainer_log.jsonl）
# - 最终 LoRA 权重（adapter_model.safetensors）
# 确保路径可写，且无重要文件（若 overwrite_output_dir 设为 true 则会清空）。

logging_steps: 10
# 每隔多少步打印一次训练日志（显示 loss、学习率等）。方便监控训练状态。

save_steps: 500
# 每隔多少步保存一次检查点。保存的文件可用于恢复训练或后续推理。
# 若设为 0 则禁用保存。

overwrite_output_dir: true
# 若输出目录已存在，是否覆盖。设为 true 可自动清空旧文件，避免手动删除。
# 若为 false 且目录存在，程序会报错退出。

# ==================== 硬件与分布式相关 ====================
fp16: false                                      
# 是否使用 float16 混合精度。此处已启用 bf16，故设为 false，避免冲突。
# 若硬件不支持 bf16，可改用 fp16，并确保同时关闭 bf16。

ddp_timeout: 180000                               
# 分布式训练时进程间通信的超时时间（秒）。用于防止通信卡死。
# 180000 秒约 50 小时，足够长时间训练。若网络不稳定可适当增大。
# 仅在多卡训练时生效，单卡可忽略。

使用单卡训练命令：

shell 复制代码

CUDA_VISIBLE_DEVICES=0 llamafactory-cli train train_qwen_robot.yaml

多卡训练命令：

我们新建一个终端，在终端上运行：

shell 复制代码

npu-smi info

可以看到 NPU 卡的设备编号分别是1，4

shell 复制代码

WANDB_MODE=disabled FORCE_TORCHRUN=1 CUDA_VISIBLE_DEVICES=1，4 llamafactory-cli train ./train_qwen_robot.yaml

对比训练前后的模型

拉起加载原始模型权重：

shell 复制代码

CUDA_VISIBLE_DEVICES=1 llamafactory-cli api \
    --model_name_or_path /home/openmind/Qwen3.5-4B \
    --template qwen3_5 \
    --finetuning_type lora

使用下面的命令去提问，查看输出内容：

shell 复制代码

curl -X POST http://localhost:8000/v1/chat/completions   -H "Content-Type: application/json"   -d '{
    "model": "Qwen3.5-4B",
    "messages": [
      {
        "role": "user",
        "content": [
          {
            "type": "image_url",
            "image_url": {
              "url": "data:image/png;base64,'$(base64 -w 0 /home/openmind/LlamaFactory/data/images/robotera_1.png)'"
            }
          },
          {
            "type": "text",
            "text": "请识别并描述图片中的机器人及其特征"
          }
        ]
      }
    ],
    "max_tokens": 512,
    "temperature": 0.1
  }'

输出内容

拉起加载lora权重的模型

shell 复制代码

CUDA_VISIBLE_DEVICES=1 llamafactory-cli api \
    --model_name_or_path /home/openmind/Qwen3.5-4B \
    --adapter_name_or_path /home/openmind/Qwen3.5-4B/lora/train_Qwen3.5-4B \
    --template qwen3_5 \
    --finetuning_type lora

依然是使用上面curl命令的内容去提问，查看输出

LLaMA-Factory YAML 参数大全：

https://modelers.cn/blogs/chicheng/208/issues?blogId=208

启动 Web UI命令：

shell 复制代码

llamafactory-cli webui

点击返回的 URL 地址，就可以进入 Web UI 页面。

可能出现的问题

如果使用llama-factory命令的时候出现找不到命令的时候，可以在终端运行下面的命令：

shell 复制代码

# 若执行llama-factory的相关提示找不到命令，需设置一下变量，将包路径添加至环境变量中
export PATH="/home/openmind/.local/bin:$PATH"
export PATH="/usr/local/bin:$PATH"