前言
LLM模型微调 能让大模型掌握特定行业的深度知识，能够实现AI虚拟主播，AI医生，AI程序员，AI网络安全工程师等特定领域的延展。更重要的是，当有本地部署的硬件条件限制时，能够让微调后小的大语言模型等效百亿级的大语言模型
测试环境：windows11，RTX4070显卡
下面将手把手带你跑通无代码模型微调的全过程
环境安装
必要的工具：
- git： https://git-scm.cn/ （方便拉取资源）
- python： https://www.python.org/ （微调和运行必要环境）
流程：
- 创建文件夹，并拉取 llama-factory项目
mkdir D:/LLM-Tuning
cd D:/LLM-Tuning
git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.git
cd LLaMA-Factory
- 安装LLaMA-Factory需要的环境
pip install -e ".[torch,metrics]"
pip install modelscope
- 验证环境
python -c "import torch; print(torch.cuda.is_available()); print(torch.cuda.get_device_name(0))"
正常输出如下：
错误：正常来说安装完后验证环境会显示显卡型号，但是我在安装时，会出现报错，原因是它安装了错误的cuda版本，需要重新安装
torch
解决方法如下：pip uninstall torch torchvision torchaudiopip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu126如果其他版本请参考官网： https://pytorch.org/get-started/locally/
微调
这里用于演示，只对模型做一个自我认知的微调
准备数据集
拉取数据集
git clone https://www.modelscope.cn/datasets/DanKe123abc/yuki_identity_sft.git
修改数据集
下载完后，目录结构如下：
我们需要关注的是yuki_identity_sft.jsonl文件，用编辑器将下列文字全局替换：
Yuki => 陈千语
DanKe => 管理员
效果图如下：
准备本地模型
这里使用的是qwen2.5_1.5B用于演示
下载模型
from modelscope import snapshot_downloaddownload_dir = "D:\\Models\\Qwen2.5-1.5B-Instruct"model_dir = snapshot_download('qwen/Qwen2.5-1.5B-Instruct', cache_dir=download_dir, revision='master'
)print(f"下载完成！模型路径为: {model_dir}")
微调
配置数据集信息
- 打开
D:\LLM-Tuning\LLaMA-Factory\data文件，将刚刚修改好的数据集yuki_identity_sft.jsonl文件拖入文件夹中 - 打开
dataset_info.json文件，添加新配置：
"MytestData": {
"file_name":"yuki_identity_sft.jsonl",
"columns": {
"messages": "conversations"
},
"tags": {
"role_tag": "role",
"content_tag": "content",
"user_tag": "user",
"assistant_tag": "assistant"
},
"formatting": "sharegpt"
},
打开LLamaFactory微调面板
python -m llamafactory.cli webui
设置参数如图，其他的默认就行：
设置完后直接点击开始，模型就开始训练了，训练完后会出现下面提示：
验证模型
加载训练完后的lora模型
训练前后的大模型对比
训练前
训练后
观察图片可以发现，微调后qwen2.5认为自己是陈千语，自己由管理员开发的
大模型部署
下面不是新手向
如果只是希望学习微调的在这里已经结束了，下面是本系列教程的后续，如何用langchain部署本地的LLM微调大语言模型
环境配置
安装需要的环境
pip install peft langchain langchain-huggingface
下面是样例代码
代码流程如下：
加载基座模型->加载 LoRA 权重->正在合并权重->构建Langchain通道->调用模型
import torch
from transformers import AutoModelForCausalLM, AutoTokenizer, pipeline
from peft import PeftModel
from langchain_huggingface import HuggingFacePipeline
from langchain_core.prompts import PromptTemplateBASE_MODEL_PATH = r'D:\Models\Qwen2.5-1.5B-Instruct\qwen\Qwen2___5-1___5B-Instruct'
LORA_PATH = r'D:\D_MyProject\LLM-Tuning\LLaMA-Factory\saves\Qwen2.5-1.5B\lora\train_2026-02-13-23-16-50\checkpoint-260'print("1. 正在加载基座模型...")
tokenizer = AutoTokenizer.from_pretrained(BASE_MODEL_PATH, trust_remote_code=True)base_model = AutoModelForCausalLM.from_pretrained(BASE_MODEL_PATH,torch_dtype=torch.float16,device_map="auto", trust_remote_code=True
)print("2. 正在加载 LoRA 权重 ...")
model = PeftModel.from_pretrained(base_model, LORA_PATH)print("3. 正在合并权重 ...")
model = model.merge_and_unload()print("4. 构建 LangChain 管道...")
pipe = pipeline("text-generation",model=model,tokenizer=tokenizer,max_new_tokens=200, do_sample=True, temperature=0.7, repetition_penalty=1.1
)llm = HuggingFacePipeline(pipeline=pipe)print("\n=== 陈千语上线 ===\n")respone = llm.invoke('你好，你是谁？')
print(f"{respone}")
演示效果
至此，我们成功的实现了大模型LLM从微调到部署，把之前的langchain串起来...
如果❤喜欢❤本系列教程，就点个关注吧，后续不定期更新~