本文总结了不同数据量下的训练周期推荐。对于1k-5k的小数据集，建议1-3个epoch（全参）或3-10个（LoRA），需采用早停机制防过拟合。5k-20k中等规模数据可适当增加epoch至2-5（全参）或5-10（LoRA）。超过20k的大数据集，1-3个epoch（全参）或2-5个（LoRA）即可，避免过拟合且迭代收益有限。核心原则是根据数据规模调整训练轮次，大数据集快速迭代，小数据集谨慎训练

frequency_penalty的值。

对于flash_attn对应的cxx11abiFALSE还是cxx11abiTRUE，使用如下方式判断。

开源BI工具3：dataease

Hugging Face – The AI community building the future.Machine Learning Datasets | Papers With Code

【代码】基于llama_factory的qwen3全参微调。

qwen2.5模型下载。

qwen2.5模型下载。

使用anaconda 安装paddle gpu环境

temporal dimension 时间维度spatial dimension 空间维度