|-------------------|-----------------------------------|---------------------------|-----------------------|----------------------------------------------------------------------|-------------|
| 微调框架 | 微调速度 | 显存占用 | 上手难度 | 兼容性 | 适用场景 |
| PEFT-Transformers | 正常 和标准内核有关 | 中等 取决于 LoRA 秩与 batch size | 较高 需要自行编写训练脚本 | 与 Hugging Face Transformers 生态完全兼容，支持 LoRA、QLoRA、Prefix Tuning 等多种方法 | 定制化的生产项目 |
| Unsloth | 较快 比标准PEFT-Transformers实现可提速约 2 倍 | 较低 通过手写内核与梯度检查点优化 | 中等 API 简洁但支持的模型有限 | 主要适配 Llama、Qwen、Mistral 等主流开源模型，非主流结构需自行适配 | 消费级显卡 个人开发者 |
| LLaMA-Factory | 正常 速度与底层训练后端一致 | 中等 可通过量化与DeepSpeed 进一步降低 | 较低 提供 WebUI 与配置文件即可开训 | 兼容广泛，支持上百种模型与多种微调方法，适合快速验证 | 快速验证结果 |
配置相关环境相关介绍
Docker 两步快速部署 LLaMA-Factory -CSDN博客
Docker 部署Unsloth 绕开环境配置难题-CSDN博客
使用Docker安装Ollama 并部署DeepSeek 手把手详细版_docker 安装官方的 ollama 容器-CSDN博客
定位差异
从实际使用体验来看，三个框架的定位差异比较明显：PEFT-Transformers 更偏向底层与灵活，适合需要精细控制训练流程、自定义损失函数或数据管线的场景；Unsloth 主打速度与显存优化，在单卡消费级显卡上训练 7B 级别模型时优势明显，但对模型结构的支持范围相对有限；LLaMA-Factory 则以开箱即用见长，配置化程度高，适合快速跑通基线实验、做多模型横向对比。
选择策略
选择时可以先明确目标：如果追求训练效率与显存节省，优先尝试 Unsloth；如果希望少写代码、快速验证效果，LLaMA-Factory 更合适；如果需要深度定制训练逻辑或接入自有数据流程，PEFT-Transformers 提供了最大的自由度。实际项目中也可以组合使用，例如用 LLaMA-Factory 完成基线训练，再用 PEFT-Transformers 做针对性调优。
大模型
如果任务是多卡并行、全参数微调模型，建议使用PEFT+DeepSpeed
Unsloth的强项是"单卡、小显存、QLoRA/LoRA"