从零打造自己的大模型｜01篇LLaMA-Factory微调Llama3和其占用资源分析
面对训练好的通用的大语言模型，例如Llama3-8B，虽然在认知理解，知识问答，逻辑推理，数学，代码方面都表现很好。但是其在特定领域的知识是比较缺乏的，而且对中文问答表现也不是很好，经常出现中英文混答的问题。
所以打造一个属于自己的大模型，非常有必要！
由于原生的Llama3模型训练的中文语料占比非常低，因此在中文的表现方面略微欠佳！本教程就以Llama3-8B-Instruct开源模型为模型基座，通过开源程序LLaMA-Factory来进行中文的微调，提高Llama3的中文能力！
认识LLaMA-Factory
LLaMA-Factory是一个易用且高效的LLM微调工具箱。
- 支持多种模型
- 支持多种训练方法，例如增量预训练，指令跟随微调，PPO训练，DPO训练等
- 支持多种高效微调方法，例如全参数微调，冻结微调，LoRA微调等
这里我们选择指令跟随微调。更多的微调训练范式可以参考之前的文章XTuner微调LLM实践。
指令跟随微调，一般是采用SFT**有监督的数据集进行微调，SFT数据集，表现形式一般是一问一答，一条数据一个标签的格式。
安装LLaMA-Factory
从Github上面下载最新的代码，并安装
git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.git cd LLaMA-Factory pip install -e ".[torch,metrics]"官方提供了一键运行方式，可以分别实现对 Llama3-8B-Instruct 模型进行 LoRA微调、推理和合并。
llamafactory-cli train examples/train_lora/llama3_lora_sft.yaml llamafactory-cli chat examples/inference/llama3_lora_sft.yaml llamafactory-cli export examples/merge_lora/llama3_lora_sft.yaml但是我们选择，通过LLaMA Board实现可视化微调（由Gradio驱动），启动命令如下：
llamafactory-cli webui访问链接地址http://127.0.0.1:7860/
可以看到有Train（训练），Evaluate&Predict（评估和预测），Chat（对话），Export（导出）四个模块。
准备模型
我们可以选择从 OpenXLab** 上下载 Meta-Llama-3-8B-Instruct 的权重。
git lfs install git clone https://code.openxlab.org.cn/MrCat/Llama-3-8B-Instruct.git Meta-Llama-3-8B-Instruct点击Chat，选择好我们的模型名称LLaMA3-8B-Chat，模型位置path需要更改成，我们自己下载的离线模型位置。
可以看到，推理引擎可选：huggingface**，vllm。我们选择huggingface，然后点击加载模型。
加载占用的显存大小约16GB：
准备数据集
准备数据集，需要庞大且细致的工程。
数据工程概述：
- 数据收集（可以从网络收集，或者利用现有的大模型，例如GPT-4来生成）
- 数据清洗
- 数据格式转换，转换成特定的格式，一般是json
- 得到准备好的数据集Dataset**，一般我们准备好的数据集，还需要分成训练数据集和测试数据集
本教程我们选择LLaMA-Factory自带的数据集进行微调，位置在 /root/LLaMA-Factory/data/。
选择alpaca_gpt4_zh数据集，文件大小约为 34MB，选择预览数据集。
开始训练
包含微调方法有：full，freeze，lora。
训练方式包括：Supervised Fine-Tuning，Reword Modeling，PPO，DPO等。
为了节省算力和运行时间，我们选择LoRA微调方法，采用指令监督微调。在原有的大模型之前添加一个Adapter层。
让LLM套上LoRA之后，有了新的灵魂。关于LoRA的细节，可以参考文章XTuner微调LLM实践。
Web UI上面展示的训练指令：
展示的就是我们微调大模型常见的超参数配置，有关于超参数的分析，会在之后的文章给大家分享。
训练日志展示：
训练所需要的资源
我们的微调机器配置，是24GB显存的A100单卡机。
此时占用显存空间约为22GB。
完成LoRA微调，花费了9.5小时：
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”！