微调

成败在于数据集，大部分时间成本在数据集的准备上;

1. 数据集的准备是一件大工程，涉及数据源、数据清洗等。
2. 有的数据集来自大模型生成，再通过工程或者人工review

开源数据集

可以在https://huggingface.co/datasets 上寻找你感兴趣的开源数据集

我们就【非暴力沟通-区分观察与评论】这份数据集展开
thomasgauthier/observation_or_evaluation · Datasets at HF Mirror

1. 这是一份纯英文数据集，我希望把它翻译一下，找到了一个开源项目，不过只支持alpaca格式的数据集翻译：【wangerzi/datasets-translator: 本项目是一个用于翻译数据集的工具，支持通过命令行脚本调用进行数据集多语言翻译。】
2. 就该项目简单二次开发来支持翻译这份数据集，现支持alpaca、shareGPT以及自定义格式的数据集翻译：【hbchen7/datasets-translator: A tool for translating datasets, supporting multilingual translation of datasets through command-line script calls. Supports alpaca, sharegpt and custom format datasets. 翻译数据集的工具，支持通过命令行脚本调用对数据集进行多语言翻译。支持alpaca，sharept和自定义格式的数据集】
3. 接入了硅基流动的免费小模型，翻译效果还可以：
   

格式化数据集

这里用到了花园老师的工具↓

花园老师从零打造的微调数据集开源项目 Easy DataSet：https://github.com/ConardLi/easy-dataset

1. 导入数据集
   

2. 支持导出多种格式数据集
   这里我们导出 ShareGPT - JSONL 格式，这是硅基流动微调平台的标准格式.

开调

在线平台微调

1. 选择模型
2. 导入我们翻译、转换好格式的数据集↓
   

默认的参数已经能满足大部分情况下的微调需求，我们点击【开始微调】

等待它完成~

3分钟后完成了

效果展示

1. 复制模型名，填入url和apikey;这里我用Cherry Studio↓
2. 可见有思维链的过程，回复也是标准的【评论\观察】
   
   

本地微调

平台微调简单方便，不过模型的选择有限、数据集的大小也有限制.
就可以在本地上使用 LLaMA Factory 来进行更专业的微调训练
推荐教学：【全36集】B站最细微调教程：教你从零打造专属领域大模型！_哔哩哔哩_bilibili

待续…