本文开始，进入到大模型微调领域。

之前一直在做 RAG 的相关内容，RAG 能够直接通过预先解析好的知识库，增强模型回答的输出质量。

然而，当知识库较大时，RAG 会显著增加检索搜索的时间，导致回答反应迟钝；并且，RAG的方案并不适合在线大模型的调用，因为它会将相关内容一起作为模型的输入内容，会造成token成本上升。

模型微调则没有 RAG 的相关缺点，通过训练微调，可以直接将知识内容“注入”到模型的参数本身中，问答时无需再经历检索。

但是，模型微调不像 RAG 那样比较直观，需要微调数据集整理、高配置训练环境和丰富的炼丹技巧三个必要条件。

其实，模型微调和 RAG 本质上是不冲突的。对于多数不变的知识(如规章制度、历史材料等)完全可以通过微调直接喂给大模型；而对于变化的知识(如新闻等)来不及再去整理微调，则可以通过 RAG 的方式对模型知识进行有效补充，同时可以减少 RAG 知识库的容量，让检索压力更小。

作为系列开篇，本文先在 windows 操作系统上，跑通LLaMA-Factory的模型微调过程，为后续探索奠定基础。

LLaMA-Factory 简介

经调研，用于大模型微调的框架根据github上的关注度，主要有以下产品：LLaMA-Factory(52.4k)、unsloth(40.6k)、DeepSpeed(38.9k)、peft(18.8k)和axolotl(9.6k)。

其中，LLaMA-Factory不仅热度最高，而且还是国人维护，自然成为首选。

LLaMA-Factory支持直接通过命令行或 Web UI去微调模型，无需编写代码，其支持各种模型LLaMA、DeepSeek、Qwen等多种模型微调，集成了各种训练主流方法。

仓库地址：https://github.com/hiyouga/LLaMA-Factory

项目文档：https://llamafactory.readthedocs.io/zh-cn/latest/

安装

下面开始安装，下载项目

git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.gitcd LLaMA-Factory

使用uv安装环境依赖

uv sync --extra torch --extra metrics --prerelease=allow

检测pytorch是否可用

python -c "import torch; print(torch.cuda.is_available())"

windows用户会输出False，需要卸载重新安装gpu版本。

uv pip uninstall torch torchvisionuv pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu126

再次检测，此时输出True，则表明安装成功。

LLaMA-Factory 版本校验：

llamafactory-cli version

输出以下内容，表明安装成功。

数据集准备

官方文档中介绍了指令监督微调、预训练、多模态等多种类型的数据集。

本文只关注第一种指令监督微调数据集，LLaMA Factory中支持Alpaca和ShareGPT。

1. Alpaca 数据集格式

Alpaca 格式的数据集结构示例如下：

{  "instruction": "计算这些物品的总费用。 ",  "input": "输入：汽车 - $3000，衣服 - $100，书 - $20。",  "output": "汽车、衣服和书的总费用为 $3000 + $100 + $20 = $3120。"},

其中instruction对应人类指令，input对应人类输入，output对应模型回答。

在微调过程中，instruction和input会拼接起来输入到模型中。

Alpaca 格式可以进一步支持系统提示词system和对话历史history，完整的结构如下：

[  {    "instruction": "人类指令（必填）",    "input": "人类输入（选填）",    "output": "模型回答（必填）",    "system": "系统提示词（选填）",    "history": [      ["第一轮指令（选填）", "第一轮回答（选填）"],      ["第二轮指令（选填）", "第二轮回答（选填）"]    ]  }]

2. ShareGPT 数据集格式

相比 alpaca 格式的数据集， sharegpt 格式支持 更多的角色种类，例如 human、gpt、observation、function 等等。它们构成一个对象列表呈现在 conversations 列中，示例如下：

{  "conversations": [    {      "from": "human",      "value": "你好，我出生于1990年5月15日。你能告诉我我今天几岁了吗？"    },    {      "from": "function_call",      "value": "{\"name\": \"calculate_age\", \"arguments\": {\"birthdate\": \"1990-05-15\"}}"    },    {      "from": "observation",      "value": "{\"age\": 31}"    },    {      "from": "gpt",      "value": "根据我的计算，你今天31岁了。"    }  ],  "tools": "[{\"name\": \"calculate_age\", \"description\": \"根据出生日期计算年龄\", \"parameters\": {\"type\": \"object\", \"properties\": {\"birthdate\": {\"type\": \"string\", \"description\": \"出生日期以YYYY-MM-DD格式表示\"}}, \"required\": [\"birthdate\"]}}]"}

该结构中，human 和 observation 必须出现在奇数位置，gpt 和 function 必须出现在偶数位置，完整结构格式如下：

[  {    "conversations": [      {        "from": "human",        "value": "人类指令"      },      {        "from": "function_call",        "value": "工具参数"      },      {        "from": "observation",        "value": "工具结果"      },      {        "from": "gpt",        "value": "模型回答"      }    ],    "system": "系统提示词（选填）",    "tools": "工具描述（选填）"  }]

具体使用方式

1. 启动应用

通过以下命令，启动webui界面：

llamafactory-cli webui

浏览器访问http://localhost:7860，进入到主界面。

2. 下载模型

在主界面中，选择模型后，默认会从huggingface上去下载模型，在国内网络情况下，建议先从 modelscope 中下载好模型。

以下载Llama-3.2-1B-Instruct为例，先安装modelscope依赖：

uv pip install modelscope

下载模型，到本地目录models文件夹：

modelscope download --model LLM-Research/Llama-3.2-1B-Instruct --local_dir ./models

下载完后，就可以通过指定模型的绝对路径，去进行模型加载。

3. 数据集准备

在项目的data文件夹中，自带了不少数据集示例。

前端界面中，可选择加载自带的数据集示例，并进行显示查看。

4. 开始训练

选择完数据集后，就可以点击“开始”按钮，直接开始训练。

实测发现，Llama-3.2-1B模型全量训练，会报显存，因此，调整为Freeze模式，即冻结部分参数，默认只训练最后两层，具体可通过可训练层数进行控制。

训练时，下方会展示训练日志和进度。

损失曲线会实时更新，默认是训练三个epoch，损失不断降低，说明训练有效果。

默认每100步会保存一个checkpoint，最终的结果会在saves文件夹中自动生成。

5. 模型测试

训练完之后，可以进行模型评估，不过在训练时，验证集比例默认为0，未划分验证集，评估就不会太有意义。

此外，可通过chat模块加载模型，进行问答测试。

下面测试了一下微调前后的模型回答效果(该问题在上面的数据集截图中有被训练)：

微调前

微调后

结果发现，微调后有一点优化后的感觉，但效果不是特别明显，可能和模型参数和训练轮次太少都有关系。之后将在服务器上训练更大的模型，并增加训练轮次，再测试效果。

总结

在初次体验模型微调的流程后，发现模型微调这一块的基础工具已经做的相当成熟，已经无需再编写代码去进行微调。

但是，LLaMA-Factory可选参数非常多，不同参数的选取对结果肯定会有很大影响，如何调参变成了代码之上更高一层的学问。初次踏入这个领域，让我想到了牛顿“沙滩上的孩童”比喻，里面有太多值得继续深挖探索的研究点，像是小孩看见玩具那样令人兴奋。

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”！