本文详细介绍了使用LLaMA-Factory进行大模型微调的完整流程，包括环境配置、数据处理、WebUI零代码微调、SFT训练、LoRA合并、模型推理与评估等关键步骤。文章提供了详细的命令示例和配置指导，支持自定义数据集训练，并介绍了多种推理方式，帮助开发者快速上手大模型微调技术。

---

一、安装依赖（以linux服务器为例）：

1、NVIDIA 的 GPU，在 https://developer.nvidia.com/cuda-gpus 查看您的 GPU 是否支持CUDA

2、Ubuntu操作系统，在linu后台执行在命令行中输入 uname -m && cat /etc/*release查看回显

3、gcc . 在命令行中输入 gcc --version ，应当看到类似的输出

gcc

(
Ubuntu

11
.4.0-1ubuntu1~22.04
)

11
.4.0

如果没有依赖按照下面链接上的指导安装：

https://llamafactory.readthedocs.io/zh-cn/latest/

cuda的驱动兼容问题可找厂商确认。

运行以下指令以安装 LLaMA-Factory 及其依赖:

git

clone

--depth

1

https://github.com/hiyouga/LLaMA-Factory.git
cd

LLaMA-Factory pip

install

-e

".[torch,metrics]"

完成安装后，可以通过使用 llamafactory-cli version 来快速校验安装是否成功

二、数据处理

dataset_info.json 包含了所有经过预处理的 本地数据集 以及 在线数据集。如果您希望使用自定义数据集，请 务必 在 dataset_info.json 文件中添加对数据集及其内容的定义。具体方法看参考文档https://llamafactory.readthedocs.io/zh-cn/latest/

的数据处理页面。

三、打开微调界面WEB
UI

执行命令：llamafactory-cli webui

回显中的网页地址打开 URL: http://0.0.0.0:7860

支持WebUI 零代码微调大语言模型，但是界面不支持视频和图片数据同时训练。

在开始训练模型之前，您需要指定的参数有：

1. 模型名称及路径
2. 训练阶段
3. 微调方法
4. 训练数据集
5. 学习率、训练轮数等训练参数
6. 微调参数等其他参数
7. 输出目录及配置路径

随后，您可以点击 开始 按钮开始训练模型。

如果您需要使用自定义数据集，请在 data/data_info.json 中添加自定义数据集描述并确保 数据集格式 正确，否则可能会导致训练失败。

模型训练完毕后，您可以通过在评估与预测界面通过指定 模型 及 适配器 的路径在指定数据集上进行评估。

如果您对模型效果满意并需要导出模型，您可以在导出界面通过指定 模型、 适配器、 分块大小、 导出量化等级及校准数据集、 导出设备、 导出目录 等参数后点击 导出 按钮导出模型。

四、SFT 训练

您可以使用以下命令使用 examples/train_lora/llama3_lora_sft.yaml 中的参数进行微调： llamafactory-cli train examples/train_lora/llama3_lora_sft.yaml

也可以通过追加参数更新 yaml 文件中的参数: llamafactory-cli train examples/train_lora/llama3_lora_sft.yaml \

learning\_rate=1e-5 \

logging\_steps=1

五、LoRA 合并

当我们基于预训练模型训练好 LoRA 适配器后，我们不希望在每次推理的时候分别加载预训练模型和 LoRA 适配器，因此我们需要将预训练模型和 LoRA 适配器合并导出成一个模型，并根据需要选择是否量化。根据是否量化以及量化算法的不同，导出的配置文件也有所区别。 您可以通过 llamafactory-cli export merge_config.yaml 指令来合并模型。其中 merge_config.yaml 需要您根据不同情况进行配置。

六、推理

LLaMA-Factory 支持多种推理方式。 您可以使用 llamafactory-cli chat inference_config.yaml 或 llamafactory-cli webchat inference_config.yaml 进行推理与模型对话。对话时配置文件只需指定原始模型 model_name_or_path 和 template ，并根据是否是微调模型指定 adapter_name_or_path 和 finetuning_type。 如果您希望向模型输入大量数据集并保存推理结果，您可以启动 vllm 推理引擎对大量数据集进行快速的批量推理。您也可以通过 部署 api 服务的形式通过 api 调用来进行批量推理。 默认情况下，模型推理将使用 Huggingface 引擎。 您也可以指定 infer_backend: vllm 以使用 vllm 推理引擎以获得更快的推理速度。

注意：使用任何方式推理时，模型 model_name_or_path （模型位置）需要存在且与 template （数据集模板）相对应。

七、评估

通用评估

在完成模型训练后，您可以通过

llamafactory-cli eval examples/train_lora/llama3_lora_eval.yaml 来评估模型效果。

训练案例（命令微调方式）

1、数据集设置：

dataset_info.json 文件是一个配置文件包含数据集的位置和描述，如果您希望使用自定义数据集，请务必 在 dataset_info.json 文件中添加对数据集及其内容的定义。

例如DPO训练，dataset_info.json 文件中添加的train.json就是实际的数据集

配置数据集train.json，可以写代码生成，数据集少的情况下可以手动写，格式入下：

2、执行微调训练

train.yaml 提供了微调时的配置也可以根据实际情况改成其他名字比如dpo_train.yaml。该配置指定了模型参数、微调方法参数、数据集参数以及评估参数等。您需要根据自身需求自行配置。

这里的dataset配置会去data/dataset_info.json查找对应名称的数据集路径。

训练结果会保存在对应配置的输出路径里。

读者福利大放送：如果你对大模型感兴趣，想更加深入的学习大模型**，那么这份精心整理的大模型学习资料，绝对能帮你少走弯路、快速入门**

如果你是零基础小白，别担心——大模型入门真的没那么难，你完全可以学得会！

👉 不用你懂任何算法和数学知识，公式推导、复杂原理这些都不用操心；
👉 也不挑电脑配置，普通家用电脑完全能 hold 住，不用额外花钱升级设备；
👉 更不用你提前学 Python 之类的编程语言，零基础照样能上手。

你要做的特别简单：跟着我的讲解走，照着教程里的步骤一步步操作就行。

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

现在这份资料免费分享给大家，有需要的小伙伴，直接VX扫描下方二维码就能领取啦😝↓↓↓

为什么要学习大模型？

数据显示，2023 年我国大模型相关人才缺口已突破百万，这一数字直接暴露了人才培养体系的严重滞后与供给不足。而随着人工智能技术的飞速迭代，产业对专业人才的需求将呈爆发式增长，据预测，到 2025 年这一缺口将急剧扩大至 400 万！!

大模型学习路线汇总

整体的学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战，跟着学习路线一步步打卡，小白也能轻松学会！

大模型实战项目&配套源码

光学理论可不够，这套学习资料还包含了丰富的实战案例，让你在实战中检验成果巩固所学知识

大模型学习必看书籍PDF

我精选了一系列大模型技术的书籍和学习文档(电子版)，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

大模型超全面试题汇总

在面试过程中可能遇到的问题，我都给大家汇总好了，能让你们在面试中游刃有余

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

👉获取方式：

😝有需要的小伙伴，可以保存图片到VX扫描下方二维码免费领取【保证100%免费】

相信我，这套大模型系统教程将会是全网最齐全 最适合零基础的！！