是不是很多人有这种坤混，理论学的不错，但是一到实操环节，不少人就犯了难：复杂的 Python 代码要逐行琢磨，繁琐的环境配置总出岔子，还有密密麻麻的参数调优让人无从下手，刚燃起的热情瞬间被 “技术拦路虎” 浇凉。难道就没有一款 “傻瓜式” 工具，能帮咱们把精力聚焦在数据准备和应用场景上，不用再被底层技术细节搞得焦头烂额吗？​

这不，今天就给大家介绍一个神器：LLaMA‑Factory！

说白了，它就是一个全自动的"AI专家生产线"。你不需要再手动去写那些复杂的加载模型、配置参数的代码了。LLaMA‑Factory把所有繁琐的步骤都封装成了一个清爽的网页界面——选择模型、选择方法、上传数据、调整参数、一键启动，就像在网上购物一样简单！

今天咱们就以中文医疗问答为例，手把手带你用LLaMA‑Factory微调一个Qwen3‑0.6B‑Instruct模型。为什么选这个组合呢？

  • • 硬件友好：0.6B参数的模型，一张RTX 3080就能轻松搞定，不用为显存发愁
  • • 中文优化：Qwen系列对中文支持极佳，特别适合咱们的应用场景
  • • QLoRA加持：4-bit量化+LoRA适配器，让训练显存需求降到最低，消费级GPU也能玩转大模型微调

准备好了吗？咱们这就从理论走向实践，亲手打造一个能回答医疗问题的"AI医生助手"！

第一步：搭建咱们的"实验室"

硬件要求（别担心，门槛不高）

  • • Ubuntu Server 22.04 LTS（当然，其他Linux发行版也行）
  • • 安装好NVIDIA驱动（这个必须有）
  • • CUDA ≥11.6
  • • 搭建Python环境，强烈推荐用Conda，管理包依赖特别方便
  • • 安装PyTorch，确保GPU和CUDA配合正常（这是基础中的基础）

安装LLaMA‑Factory（三行命令搞定）

git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.git
cd LLaMA-Factory
conda create -n llama-factory python=3.11
conda activate llama-factory
pip install -e ".[torch,metrics]"

如果遇到环境冲突（这种事儿经常有），试试用 pip install --no-deps -e . 解决。

检查安装是否成功

装完之后，咱们验证一下是不是真的装好了。运行 llamafactory-cli version，如果看到下面这样的输出，就说明大功告成了：

----------------------------------------------------------
| Welcome to LLaMA Factory, version 0.9.3.dev0           |
|                                                        |
| Project page: https://github.com/hiyouga/LLaMA-Factory |
----------------------------------------------------------

启动WebUI界面（激动人心的时刻）

运行 llamafactory-cli webui 指令，就能进入可视化界面了。WebUI主要分为四个板块：训练、评估与预测、对话、导出。界面长这样：

LLaMA-Factory WebUI界面

咱们先加载个模型试试水，选择Qwen3‑0.6B‑Instruct模型，测试下原始的回答效果：

模型原始回答

第二步：准备"教材"（数据就是一切）

咱们这次用的是网上开源的Huatuo-Lite数据集。这可不是随便找的数据，它是在Huatuo26M数据集的基础上经过多次提纯和重写而精炼优化的，包含了18万个高质量的医疗问答对，还带有医院科室和相关疾病两个额外的数据维度。简单说，就是质量很高的医疗问答"教科书"。

数据集下载地址：Huatuo-Lite数据集，从下图可以看出数据集的格式：

数据样例

数据格式化（让机器能"读懂"）

咱们这次使用Alpaca格式的JSON文件，这是目前最流行的微调数据格式之一。数据样例长这样：

[
{
"instruction":"请根据患者的问题给出建议",
"input":"太阳穴两边都痛头也痛，而且人也昏昏沉沉的，手脚还无力，头疼的厉害感觉头都要炸了，我刚开始的头一天以为是休息不好，但是三天了还是这样，手按着头都是痛的",
"output":"需要进一步了解病人的情况，是否有发烧，工作生活学习的压力如何，睡眠如何等等，这些都可能是导致头痛的原因。常见的原因是精神压力过大，没有休息好，也可以见于一些脑部疾病。建议及时就医，以便得到更好的治疗。"
}
]

现在需要写个Python脚本，把原始数据整理成这种格式。代码如下：

from datasets import load_dataset
import os
import json

def process_row(row, i):
    """处理单行数据"""
    # 确保row是字典类型
    if not isinstance(row, dict):
        print(f"Warning: Row {i} is not a dictionary, type: {type(row)}")
        return None

    if 'label' not in row or row['label'] is None or row['label'] == '': # 如果为空, 则跳过
        print(f"Skipping row {i}: empty or missing label")
        return None

    # 将\n\r 转移为\n，并且转义
    question = row['question'].replace('\n\r', '\n').replace('\\n', '\\n')
    output = row['answer'].replace('\n\r', '\n').replace('\\n', '\\n')

    # 构建JSON对象
    row_data = {
        "instruction": "请根据患者的问题给出建议",
        "input": question,
        "output": output
    }
    return row_data

# 配置环境变量, 使用镜像源
os.environ['HF_ENDPOINT'] = 'https://hf-mirror.com'
max_rows = 5000
valid_count = 0

with open('data/alpaca_huotuo_rows-5k.json', 'w', encoding='utf-8') as f:
    f.write('[\n')
    for i in range(min(max_rows, len(data_dataset['train']))):
        row = data_dataset['train'][i]
        processed_row = process_row(row, i)

        if processed_row is not None:
            json_str = json.dumps(processed_row, ensure_ascii=False, indent=4)
            # 为每行添加 4 个空格的缩进
            indented_json = '\n'.join('    ' + line for line in json_str.split('\n'))
            f.write(indented_json + ',\n')
            valid_count += 1
    f.write(']\n')

数据上传（把"教材"放到指定位置）

把生成的 alpaca_huotuo_rows-5k.json 文件上传到数据目录 data/ 下，然后在 data/dataset_info.json 中新增如下配置：

"alpaca_huotuo_rows-5k":{
"file_name":"alpaca_huotuo_rows-5k.json"
},

第三步：调参数（这里有门道）

切换到微调页面，基础模型选择Qwen3‑0.6B‑Instruct，微调数据集选择 alpaca_huotuo_rows-5k。接下来就是调参数的环节了，这几个参数特别重要：

  • • 学习率: 决定了模型每次参数更新的幅度大小，一般在0-1之间。学习率太大，模型容易"学疯了"不收敛；太小呢，又学得太慢。这次咱们按默认设置5e-5（也就是0.00005）。
  • • 训练轮数: 就是模型完整过一遍数据集的次数。轮数太多容易过拟合（就是死记硬背，不会举一反三），太少又学不够。一般3-5轮就差不多了。
  • • 最大样本数：限制参与训练的数据量。完整数据集可能有几万条，调试阶段用不着那么多，只从训练集中抽取前N条样本参与训练就行。
  • • 批量大小: 每次更新模型参数时用的样本数量。就像补习功课，批量大一次学很多知识点但学得粗糙，批量小一次学得少但精细。LLamaFactory中通过"批处理大小"和"梯度累积"两个参数控制。实际批次大小 = 批处理大小 × 梯度累积步数。
  • • 验证集比例: 从训练数据中划分出一部分作为验证集，用来评估模型在没见过的数据上表现如何。一般设置10%到20%。

咱们这次微调的配置参数如下图：

参数配置

第四步：开始训练（见证奇迹的时刻）

参数配置好了，点击"开始"按钮，模型就开始训练了。训练过程中可以看到实时的损失值变化，就像看股票走势图一样，损失值越来越小说明模型学得越来越好。

训练过程

训练过程中可以在 WebUI 中查看训练进度，Loss 收敛效果，一般低于 1 即可达到不错的效果，如下图所示：

训练进度

如果训练过程中 Loss 不收敛，或者收敛速度很慢，可以根据步骤三种的参数说明尝试调整参数，重新训练。训练完成后，模型会自动保存到指定目录。这时候你就拥有了一个专门回答医疗问题的AI助手了！

第五步：测试效果（检验学习成果）

训练完成后，切换到聊天页面，选择刚才训练好的模型，试试问几个医疗相关的问题：

问题1: 感冒了应该怎么办？
回答: 感冒是常见的上呼吸道感染，建议多休息、多喝水，可以适当服用感冒药缓解症状。如果症状持续加重或出现高热，建议及时就医。

问题2: 高血压患者饮食需要注意什么？
回答: 高血压患者应该低盐饮食，每天盐摄入量控制在6克以下，多吃新鲜蔬菜水果，少吃高脂肪食物，戒烟限酒，保持适当运动。

推理过程

看到没？经过微调的模型回答医疗问题明显更专业、更准确了。这就是微调的魅力所在！

第六步：打包模型（把成果带走）

如果你想把训练好的模型部署到其他地方，或者分享给别人，就需要把模型"打包"起来。LLaMA‑Factory提供了很方便的导出功能。

切换到导出页面，选择刚才训练的检查点，设置导出路径，点击开始导出。这样就能得到一个完整的、可以独立运行的模型了。

导出完成后，你就可以把这个模型拿到任何支持的平台上运行，比如部署成API服务，或者集成到你的应用中。

写在最后

通过LLaMA‑Factory微调模型，我们成功把一个通用的AI模型变成了医疗问答专家。整个过程其实并不复杂：准备数据→配置参数→开始训练→测试效果→导出模型。

当然，这只是入门级的操作。想要训练出更好的模型，还需要在数据质量、参数调优、模型评估等方面下更多功夫。但不管怎么说，你已经迈出了AI模型微调的第一步，这就是一个很好的开始！

记住，AI的世界没有标准答案，只有不断的尝试和优化。今天你学会了用LLaMA‑Factory微调模型，明天说不定就能训练出下一个ChatGPT呢！

最后给个小建议：刚开始别追求完美，先把流程跑通，然后再慢慢优化。就像学开车一样，先学会开，再学会开得好。AI模型微调也是这个道理。

加油，未来的AI工程师！🚀
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😝↓↓↓
在这里插入图片描述

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！!
在这里插入图片描述

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！
在这里插入图片描述

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
在这里插入图片描述

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。
在这里插入图片描述

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
在这里插入图片描述

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。
在这里插入图片描述
👉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】
在这里插入图片描述
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！！

# 人工智能 # AI
Logo
2048 AI社区

有“AI”的1024 = 2048，欢迎大家加入2048 AI社区

更多推荐

cover

一个小型工厂老板的自问：每年花几万块上MES，到底值不值？

avatar 2048 AI社区

优化 StarRocks INSERT INTO FILES 的内存超限问题

检查 _writer_stream_pairs 中是否已有该分区的写入器 (Writer) 和流 (Stream)，如果当前写入器已写入的数据量超过 _max_file_size，则：调用 writer->commit() 提交当前文件，并触发 callback_on_commit，并从 _writer_stream_pairs 中移除该分区。创建新的写入器和流，初始化新写入器，写入当前数据块，更

avatar 2048 AI社区
cover

低代码平台 + AI：企业级表单系统从需求文档到上线的 24 小时开发实战

avatar 2048 AI社区