【一文了解】Llama-Factory

1. 多模型支持

• 兼容主流大模型架构（LLaMA、ChatGLM、Qwen、Falcon 等）。

• 支持模型权重的加载与转换（如 Hugging Face 格式）。

2. 高效的微调方法

• 提供多种参数高效微调（PEFT）技术，如 LoRA（Low-Rank Adaptation）、Adapter、Prefix-Tuning 等。

• 支持全量微调（Full Fine-tuning）和分布式训练（多 GPU/TPU）。

3. 多模态训练支持

• 可处理文本、图像、音频等多模态数据的联合训练任务。

4. 数据预处理与增强

• 内置常用数据集的清洗、分词、格式转换工具。

• 提供数据增强策略（如回译、同义替换）以提升模型泛化能力。

5. 可视化与监控

• 集成 TensorBoard 和 WandB，实时监控训练过程（损失、准确率等指标）。

• 支持模型性能分析和错误案例可视化。

6. 一键部署与推理

• 提供模型导出为 ONNX、TorchScript 等格式的工具。

• 支持本地或云端服务化部署（如 Docker、Kubernetes）。

LLaMA-Factory 的整体架构围绕以下几个核心模块展开：

 1. 模型支持框架（Model Support）

支持 Hugging Face Transformers 中的主流大语言模型：

•     – LLaMA / LLaMA2 / LLaMA3

•     – ChatGLM 系列

•     – Baichuan 系列

•     – Qwen 系列

•     – InternLM

•     – Mistral / Mixtral

•     – Falcon / BLOOM 等

这些模型可以通过 Hugging Face 的 AutoModelForCausalLM 和 AutoTokenizer 加载，兼容性强。

 2. 微调方法（Fine-tuning Methods）

通过集成 PEFT（Parameter-Efficient Fine-Tuning）库，支持主流的参数高效微调策略：

• LoRA (Low-Rank Adaptation)

• QLoRA

• Prefix Tuning

• Prompt Tuning

• Full Fine-tuning

• AdaLoRA、LLaMA-Adapter、IA3 等（部分支持）

用户可以选择不同的微调方法来根据资源和需求进行训练。

3. 训练器模块（Trainer）

 基于 Hugging Face 的 Trainer 类封装，增加对 PEFT 的支持。

支持：

• 多卡训练（DeepSpeed、FSDP）

• 混合精度（fp16/bf16）

• Gradient Accumulation

• Checkpoint 保存与恢复

 4. 数据处理模块（Data Preprocessing）

 支持多种数据格式：

• SFT 格式（instruction + input + output）

• Chat 格式（messages 列表）

• ShareGPT、Alpaca、OpenAI 格式

• 自定义格式（通过转换脚本）

• 自动构建训练样本，支持多轮对话、多种模板。

 5. 推理模块（Inference / Serving）

提供简单的推理脚本 `infer.py`，支持：

• 单轮 / 多轮对话

• Web UI（基于 Gradio）

• CLI 推理

• 支持加载微调后的模型进行评估或部署。

 6. 评估模块（Evaluation）

 支持自动评估方法：

• BLEU / ROUGE / METEOR

• GPT / LLM-based 评价（如 GPT-4 Judge）

• MMLU、CMMLU、CEval 等标准数据集

• 支持模型输出与参考答案的自动对比。

7. 部署模块（Serving）

可选的部署方式：

• Gradio Web UI

• FastAPI

• OpenAI API 兼容接口（适用于本地部署大模型）

 8. 配置与脚本（Scripts & Configs）

提供丰富的训练、推理、部署脚本，如：

•  `train.py`

•  `infer.py`

•  `web_demo.py`

• `export_model.py`（导出为 Hugging Face 或 GGUF 格式）

• 提供 YAML/json 配置文件，方便快速启动训练/推理任务。

我们一起来看看如何用Llama-Factory微调llama3大模型，使用“弱智吧 ruozhiba”数据集。相比某些微调工具，LLaMA-Factory 整个操作过程还是比较简单的。

1. 环境准备

（1）克隆 LLaMA-Factory 仓库

git clone https://github.com/hiyouga/LLaMA-Factory.gitcd LLaMA-Factorypip install -r requirements.txt

（2） 确保在以下环境中进行微调：

• Python 3.10+

• CUDA 11.8+/12.x（支持 GPU 训练）

• 至少一张 24G 显存的 GPU（8B）或多张 A100/H100（70B）

2. 模型与数据集下载

我们可以在Hugging Face或魔塔社区，下载llama3模型和ruozhiba数据集，具体方法多种多样，这里就不做详细介绍了。下图是我下载的模型文件与数据集文件。

3. 微调配置文件（`scripts/llama3/finetune_ruozhiba.sh`）

创建一个 shell 脚本如下：

#!/bin/bash
CUDA_VISIBLE_DEVICES=0 accelerate launch src/train_bash.py   --stage sft   --model_name_or_path llama_models/llama-3-8b   --do_train   --dataset ruozhiba   --dataset_dir data   --template llama3   --finetuning_type lora   --output_dir output/llama3-ruozhiba-lora   --overwrite_cache   --per_device_train_batch_size 2   --gradient_accumulation_steps 4   --lr_scheduler_type cosine   --logging_steps 10   --save_steps 500   --learning_rate 5e-5   --num_train_epochs 3   --plot_loss   --fp16

参数说明：

• stage sft：表示进行 SFT 微调

• model_name_or_path：预训练模型路径

• dataset ruozhiba：数据集名称（自动找 `ruozhiba.json` 文件）

• template llama3：使用 llama3 prompt 模板

• finetuning_type lora：使用 LoRA 微调方式（节省显存）

• output_dir：输出模型路径

• fp16：使用半精度训练（节省显存）

4. 开始训练

bash scripts/llama3/finetune_ruozhiba.sh

训练完成后，输出目录为：

output/llama3-ruozhiba-lora/├── adapter_config.json├── adapter_model.bin├── tokenizer.model└── ...

5. 推理测试（inference）

我们需要使用 `src/api_demo.py` 启动一个测试接口：

python src/api_demo.py   --model_name_or_path llama_models/llama-3-8b   --template llama3   --finetuning_type lora   --adapter_name_or_path output/llama3-ruozhiba-lora