ms-swift多语言微调：中英文混合数据集处理

1. 引言

随着大模型在多语言场景下的广泛应用，如何高效地进行跨语言微调成为工程实践中的一项关键挑战。特别是在中文与英文混合的训练场景下，数据预处理、模型适配和训练稳定性等问题尤为突出。ms-swift作为魔搭社区推出的轻量级大模型微调框架，原生支持多语言任务，并提供了对中英文混合数据集的一站式处理能力。

本文聚焦于使用ms-swift框架完成中英文混合数据集的微调全流程，涵盖环境准备、数据格式转换、训练配置优化及推理部署等核心环节。我们将以Qwen2.5-7B-Instruct模型为例，结合alpaca-gpt4-data-zh和alpaca-gpt4-data-en数据集，展示如何构建一个具备双语理解与生成能力的指令微调模型。

本实践适用于需要快速实现多语言能力迁移的技术团队，尤其适合希望在有限算力条件下完成高质量微调的开发者。

2. 环境准备与镜像部署

2.1 使用Docker镜像快速搭建环境

ms-swift官方提供了集成化Docker镜像，包含PyTorch、vLLM、ModelScope SDK以及swift工具链，极大简化了依赖管理过程。

# 拉取官方镜像（CUDA 12.4 + PyTorch 2.6.0 + vLLM 0.8.5 + swift 3.5.3） docker pull modelscope-registry.cn-hangzhou.cr.aliyuncs.com/modelscope-repo/modelscope:ubuntu22.04-cuda12.4.0-py310-torch2.6.0-vllm0.8.5.post1-modelscope1.27.1-swift3.5.3

启动容器时建议挂载外部存储路径用于保存数据集和输出模型：

docker run -it --name swift-multilingual \ --network=host \ -v /data:/data \ -v /nfs/lide01/shiwei:/nfs \ --gpus all \ --shm-size 32G \ modelscope-registry.cn-hangzhou.cr.aliyuncs.com/modelscope-repo/modelscope:ubuntu22.04-cuda12.4.0-py310-torch2.6.0-vllm0.8.5.post1-modelscope1.27.1-swift3.5.3 \ /bin/bash

提示：--shm-size 32G可避免多进程数据加载时因共享内存不足导致的卡顿或崩溃。

进入容器后可通过以下命令验证swift安装状态：

swift --help

若正常输出帮助信息，则说明环境已就绪。

3. 多语言数据集组织与格式规范

3.1 ms-swift标准数据格式

ms-swift采用统一的消息结构（message-based）表示对话样本，兼容单轮与多轮交互任务。每条数据必须符合如下JSON Schema：

{ "id": "sample_0001", "messages": [ { "role": "user", "content": "请介绍一下北京的历史文化。" }, { "role": "assistant", "content": "北京是中国的首都，拥有超过三千年的建城史……" } ] }

对于中英文混合数据集，允许在同一字段内出现双语文本，例如：

{ "role": "user", "content": "Translate this sentence into Chinese: 'Artificial intelligence is transforming industries.'" }

3.2 支持的数据源类型

ms-swift支持多种数据输入方式：

3.3 中英文混合数据合并策略

在实际项目中，常需将多个独立的语言子集合并为统一训练集。ms-swift支持通过命令行直接拼接多个数据源：

--dataset \ 'AI-ModelScope/alpaca-gpt4-data-zh#1000' \ 'AI-ModelScope/alpaca-gpt4-data-en#1000' \ 'swift/self-cognition#200'

上述配置会自动按比例混合三个数据集，在训练过程中随机打散顺序，确保语言分布均衡。

注意：若不指定采样数量（如省略#1000），则默认加载全部数据。

4. 微调任务配置与参数调优

4.1 LoRA轻量微调方案选择

考虑到资源消耗与效果平衡，本文采用LoRA方式进行微调。LoRA通过低秩矩阵近似更新权重，显著降低显存占用，同时保持良好性能。

关键参数设置如下：

4.2 训练脚本完整示例

CUDA_VISIBLE_DEVICES=0 swift sft \ --model Qwen/Qwen2.5-7B-Instruct \ --train_type lora \ --dataset \ 'AI-ModelScope/alpaca-gpt4-data-zh#1000' \ 'AI-ModelScope/alpaca-gpt4-data-en#1000' \ --torch_dtype bfloat16 \ --num_train_epochs 1 \ --per_device_train_batch_size 1 \ --per_device_eval_batch_size 1 \ --learning_rate 1e-4 \ --lora_rank 8 \ --lora_alpha 32 \ --target_modules all-linear \ --gradient_accumulation_steps 16 \ --eval_steps 50 \ --save_steps 50 \ --save_total_limit 2 \ --logging_steps 5 \ --max_length 2048 \ --output_dir output/qwen25-multilingual-lora \ --system "You are a helpful assistant that can answer in both Chinese and English." \ --warmup_ratio 0.05 \ --dataloader_num_workers 4

4.3 关键参数解析

• --torch_dtype bfloat16：启用bfloat16精度可提升训练稳定性，尤其利于中英文混合token分布。
• --max_length 2048：合理设置序列长度，避免长文本引发OOM。
• --system指令注入：明确告知模型其应具备双语响应能力，增强行为一致性。
• --gradient_accumulation_steps 16：弥补单卡batch size较小的问题，等效增大全局batch size至16。

5. 数据预处理进阶技巧

5.1 自定义数据集格式转换

当原始数据不符合ms-swift标准格式时，需进行预处理。以下是一个通用的格式转换脚本模板：

import json def convert_alpaca_to_swift(input_path, output_path): with open(input_path, 'r', encoding='utf-8') as f: data = json.load(f) converted = [] for i, item in enumerate(data): messages = [ {"role": "user", "content": item["instruction"] + "\n" + item.get("input", "")}, {"role": "assistant", "content": item["output"]} ] converted.append({ "id": f"custom_{i:06d}", "messages": messages }) with open(output_path, 'w', encoding='utf-8') as f: json.dump(converted, f, ensure_ascii=False, indent=2) print(f"Converted {len(converted)} samples to ms-swift format.")

保存为convert.py并执行：

python convert.py

5.2 JSONL格式推荐

对于大规模数据集，建议使用JSONL（JSON Lines）格式，即每行一个JSON对象，优势包括：

• 流式读取，节省内存
• 易于分片处理
• 兼容HuggingFace Datasets库

示例multilingual_data.jsonl：

{"id": "0001", "messages": [{"role": "user", "content": "What is AI?"}, {"role": "assistant", "content": "AI stands for Artificial Intelligence..."}]} {"id": "0002", "messages": [{"role": "user", "content": "请解释什么是机器学习"}, {"role": "assistant", "content": "机器学习是人工智能的一个分支……"}]}

训练时直接引用：

--dataset /data/multilingual_data.jsonl

6. 训练过程监控与问题排查

6.1 日志分析要点

训练过程中可通过日志观察以下关键指标：

[INFO] Step: 50, Loss: 1.876, Learning Rate: 1.00e-04, Throughput: 1.2 samples/sec

重点关注：

• Loss下降趋势：初期应在2.0以内，逐步收敛至1.2~1.5区间
• 显存占用：使用nvidia-smi监控，7B模型+LoRA通常不超过18GB
• 吞吐量：受I/O影响较大，建议使用SSD存储数据集

6.2 常见问题与解决方案

7. 模型推理与部署验证

7.1 加载LoRA权重进行推理

训练完成后，使用swift infer命令加载适配器进行交互测试：

CUDA_VISIBLE_DEVICES=0 swift infer \ --adapters output/qwen25-multilingual-lora/checkpoint-50 \ --stream true \ --temperature 0.7 \ --max_new_tokens 1024

系统将自动加载args.json中的模型配置，无需重复指定--model或--system。

7.2 测试用例设计

建议设计以下几类测试样本验证多语言能力：

通过多轮对话测试上下文语言一致性。

7.3 推理加速：合并LoRA权重

生产环境中建议将LoRA权重合并至基础模型，提升推理速度：

swift export \ --adapters output/qwen25-multilingual-lora/checkpoint-50 \ --merge_lora true \ --output_dir ./merged_model

导出后的模型可直接用于vLLM或LMDeploy部署：

swift deploy \ --model ./merged_model \ --infer_backend vllm \ --vllm_max_model_len 8192

8. 总结

本文系统介绍了基于ms-swift框架处理中英文混合数据集的完整微调流程。我们从环境搭建入手，详细阐述了数据格式规范、多源数据融合、LoRA参数配置、训练调优及推理验证等关键步骤。

核心实践要点总结如下：

1. 数据组织标准化：严格遵循ms-swift的消息结构格式，优先使用JSONL提升加载效率；
2. 多语言混合策略：通过--dataset拼接不同语言数据集，实现自动均衡采样；
3. LoRA高效微调：合理设置lora_rank与alpha，兼顾性能与资源开销；
4. system prompt设计：显式声明双语能力需求，提升模型行为可控性；
5. 推理部署优化：训练后合并LoRA权重，结合vLLM实现高性能服务化。

ms-swift凭借其简洁的接口设计和强大的多语言支持能力，为开发者提供了一条通往高质量多语言模型的高效路径。无论是学术研究还是工业落地，均可借助该框架快速实现定制化微调目标。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。