1. LLaMA-Factory 介绍
LLaMA-Factory 是一个开源的大语言模型微调框架，专门为LLaMA系列模型及其他开源大模型提供高效、便捷的微调解决方案。
核心特点：
- 高效训练：支持QLoRA、LoRA、全参数微调等多种高效微调方法
- 易于使用：提供Web UI和命令行两种交互方式
- 多模型支持：支持LLaMA、BLOOM、ChatGLM、Qwen、Baichuan等主流开源模型
- 功能全面：支持SFT、DPO、ORPO、KTO、预训练、继续训练等多种任务
- 性能优化：集成Flash Attention 2、Unsloth等优化技术
支出微调方式
GitHub地址: https://github.com/hiyouga/LLaMA-Factory
2. 如何使用LLaMA-Factory
2.1 环境安装
# 克隆仓库 git clone https://github.com/hiyouga/LLaMA-Factory.git cd LLaMA-Factory # 创建conda环境（可选） conda create -n llama_factory python=3.10 conda activate llama_factory # 安装依赖 pip install -e .[torch,metrics] # 或安装精简版 pip install -e .2.2 快速开始（Web UI方式）
# 启动Web界面 CUDA_VISIBLE_DEVICES=0 llamafactory-cli webui # 或在代码中启动 python src/train_web.pyWeb UI主要界面：
- 模型选择：选择基础模型和适配器
- 训练配置：设置训练参数、数据集、微调方法
- 数据集管理：上传和配置训练数据
- 训练监控：实时查看训练损失和指标
- 模型导出：导出训练好的模型
2.3 命令行方式微调
基本微调命令：
# 使用QLoRA微调（推荐） CUDA_VISIBLE_DEVICES=0 llamafactory-cli train \ --stage sft \ --do_train \ --model_name_or_path meta-llama/Llama-2-7b-hf \ --dataset alpaca_en \ --template default \ --finetuning_type lora \ --lora_target q_proj,v_proj \ --output_dir saves/llama2-7b-lora \ --overwrite_cache \ --per_device_train_batch_size 4 \ --gradient_accumulation_steps 4 \ --lr_scheduler_type cosine \ --logging_steps 10 \ --save_steps 1000 \ --learning_rate 5e-5 \ --num_train_epochs 3.0 \ --plot_loss \ --fp162.4 数据准备
支持多种数据格式，推荐使用JSON格式：
数据集格式示例（alpaca格式）：
json [ { "instruction": "解释什么是人工智能", "input": "", "output": "人工智能是..." }, { "instruction": "将以下句子翻译成英文", "input": "今天天气很好", "output": "The weather is nice today." } ]3. 案例实践
案例1：医疗问答模型微调
目标：将通用LLaMA模型微调为医疗问答专家
步骤：
- 准备医疗数据集
# 数据集示例 medical_data = [ { "instruction": "什么是糖尿病？", "input": "", "output": "糖尿病是一种慢性疾病..." }, { "instruction": "高血压的治疗方法有哪些？", "input": "患者65岁，血压150/95", "output": "高血压的治疗包括..." } ]- 配置训练参数
# 医疗领域微调脚本 CUDA_VISIBLE_DEVICES=0 llamafactory-cli train \ --stage sft \ --model_name_or_path meta-llama/Llama-2-7b-hf \ --dataset ./data/medical_qa.json \ --template default \ --finetuning_type lora \ --lora_target all \ --output_dir saves/medical-llama \ --per_device_train_batch_size 2 \ --gradient_accumulation_steps 8 \ --lr_scheduler_type cosine \ --learning_rate 2e-4 \ --num_train_epochs 5 \ --val_size 0.1 \ --evaluation_strategy steps \ --eval_steps 100 \ --save_steps 500- 模型推理
from transformers import pipeline from llamafactory.model import load_model, load_tokenizer # 加载微调后的模型 model, tokenizer = load_model("saves/medical-llama") pipe = pipeline("text-generation", model=model, tokenizer=tokenizer) # 医疗问答 question = "糖尿病的症状有哪些？" response = pipe(f"问题：{question}\n回答：", max_length=200) print(response[0]['generated_text'])案例2：代码生成模型微调
目标：微调模型使其擅长生成Python代码
数据集示例：
json [ { "instruction": "写一个Python函数计算斐波那契数列", "input": "", "output": "def fibonacci(n):\n if n <= 1:\n return n\n a, b = 0, 1\n for _ in range(n-1):\n a, b = b, a+b\n return b" } ]训练配置：
# config.yaml model_name_or_path: codellama/CodeLlama-7b-hf dataset: ./data/code_dataset.json template: codellama finetuning_type: qlora quantization_bit: 4 lora_target: all per_device_train_batch_size: 2 gradient_accumulation_steps: 8 learning_rate: 1e-4 num_train_epochs: 3案例3：多轮对话微调
目标：微调模型进行多轮对话
数据格式：
[ { "conversations": [ {"role": "user", "content": "你好"}, {"role": "assistant", "content": "你好！有什么可以帮助你的吗？"}, {"role": "user", "content": "推荐一本好书"}, {"role": "assistant", "content": "我推荐《活着》，这是一本..."} ] } ]训练命令：
CUDA_VISIBLE_DEVICES=0,1 llamafactory-cli train \ --stage sft \ --model_name_or_path Qwen/Qwen-7B-Chat \ --dataset ./data/conversation.json \ --template qwen \ --finetuning_type lora \ --output_dir saves/chat-model \ --per_device_train_batch_size 4 \ --gradient_accumulation_steps 2 \ --learning_rate 5e-5 \ --num_train_epochs 2 \ --logging_steps 10案例4：DPO对齐训练
目标：使用偏好数据对齐模型
# DPO训练 CUDA_VISIBLE_DEVICES=0 llamafactory-cli train \ --stage dpo \ --model_name_or_path saves/sft-model \ --dataset ./data/preference_data.json \ --template default \ --finetuning_type lora \ --output_dir saves/dpo-model \ --per_device_train_batch_size 2 \ --learning_rate 1e-5 \ --num_train_epochs 1 \ --logging_steps 105. 进阶功能
模型合并
# 将LoRA权重合并到基础模型 llamafactory-cli export \ --model_name_or_path meta-llama/Llama-2-7b-hf \ --adapter_name_or_path saves/llama2-7b-lora \ --template default \ --export_dir merged_model \ --export_size 2 \ --export_legacy_format false模型评估
# 评估模型 CUDA_VISIBLE_DEVICES=0 llamafactory-cli evaluate \ --model_name_or_path saves/finetuned-model \ --template default \ --task mmlu \ --split test \ --lang en \ --n_shot 5 \ --batch_size 4想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！
👇👇扫码免费领取全部内容👇👇
一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势
想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：
1. 100+本大模型方向电子书
2. 26 份行业研究报告：覆盖多领域实践与趋势
报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：
- 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
- 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
- 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
- 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。
3. 600+套技术大会 PPT：听行业大咖讲实战
PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：
- 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
- 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
- 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
- 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。
二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走
想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！
1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位
面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：
2. 102 道 AI 大模型真题：直击大模型核心考点
针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：
3. 97 道 LLMs 真题：聚焦大型语言模型高频问题
专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：
![]()
三、路线必明： AI 大模型学习路线图，1 张图理清核心内容
刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！
路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。
L1阶段:启航篇丨极速破界AI新时代
L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。
L2阶段：攻坚篇丨RAG开发实战工坊
L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。
L3阶段：跃迁篇丨Agent智能体架构设计
L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。
L4阶段：精进篇丨模型微调与私有化部署
L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。
L5阶段：专题集丨特训篇 【录播课】
![]()
四、资料领取：全套内容免费抱走，学 AI 不用再找第二份
不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：
👇👇扫码免费领取全部内容👇👇
2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！
