1.安装部署

1.1 创建虚拟环境

root@autodl-container-35c04cbe2d-0e8e1e68:~/autodl-tmp/llm# conda info --envs
root@autodl-container-35c04cbe2d-0e8e1e68: conda create -n LLamaFactory python==3.10 -y

1.2 进入虚拟环境

root@autodl-container-0d514e837b-16a5fb03:~# source activate LLamaFactory
1.2.1 如果需要量化操作优先安装（非必选）
(LLamaFactory) root@autodl-container-0d514e837b-16a5fb03:~# pip install auto_gptq

1.3 安装 LLamaFactory

1.3.1 下载文件
(LLamaFactory) root@autodl-container-0d514e837b-16a5fb03:~# git clone https://github.com/hiyouga/LLaMA-Factory.git
1.3.2 进入目录
(LLamaFactory) root@autodl-container-0d514e837b-16a5fb03:~/LLaMA-Factory# pip install -e .
1.3.4 启动web-ui
(LLamaFactory) root@autodl-container-0d514e837b-16a5fb03:~/LLaMA-Factory# llamafactory-cli webui

2.验证

2.2.1 启动出现如下内容

在这里插入图片描述

2.2.2 浏览器验证

在这里插入图片描述

# python
Logo
加入AMD AI开发者计划！

免费领 150 小时云算力，进群参与显卡、AI PC 幸运抽奖

更多推荐

模型量化精度异常时的检查与止损

为了将 70B 大语言模型的部署成本打下来，我们将线上 vLLM 推理集群的模型权重与激活值从 FP16 全量量化到了 INT8（采用 W8A8 方案）。量化效果立竿见影：单卡 A100-80G 的显存占用直接从 140GB（需 2 卡并行）缩减到了 70GB，单卡即可拉起，推理吞吐量（Tokens/s）提升了将近一倍。然而上线不到两天，客服渠道就接到了多起投诉。在处理复杂代码推导和长文本逻辑分析

avatar AMD开发者中国社区
cover

大模型实战指南（11）——推理框架选型实战：vLLM × SGLang × TensorRT-LLM 深度对比与部署指南

avatar AMD开发者中国社区

Agent强化学习训练框架Microsoft Agent-Lightning之训练环境部署

本文档详细记录了在Ubuntu 22.04系统上部署Agent-Lightning环境的完整流程。关键点包括：使用conda创建Python 3.12环境；安装特定版本的torch、vllm等核心组件；通过预编译wheel安装flash-attn以避免本地编译；解决了三个常见环境问题（libstdc++版本冲突、fastapi兼容性问题、transformers版本限制）。文档还提供了项目目录结构

avatar AMD开发者中国社区