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：

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：

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：

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！🚀

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例：带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

0690+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】