3步轻松微调Qwen3，本地电脑就能搞，这个方案可以封神了！【喂饭级教程】

本地部署Llama-factory

首先我们需要本地部署一个零代码，专门用来微调大模型的开源项目：Llama-factory。

它在GitHub目前已经斩获49K 超高Star。

​​https://github.com/hiyouga/LLaMA-Factory​​

并且，这个项目还是我们国人开源的，作者是北京航空航天大学博士生-郑耀威

先通过git指令把源码拉取到本地。

git clone https://github.com/hiyouga/LLaMA-Factory.git

如果没有git，也可以直接下载源码的zip包。

然后，我们还是使用docker-compose部署。

首先，进入如下目录：

在地址栏输入cmd，回车，进入控制台。

在控制台输入docker-compose up -d。

这个过程需要下载很多依赖，最终会构建一个33G左右的docker镜像。

整个下载过程可能要持续20分钟左右。

看到如下日志就代表部署成功~

如果想启动webui，我们还需要进入llamafactory容器内部。

docker compose exec llamafactory bash

然后执行 llamafactory-cli webui 启动webui。

启动之后，我们可以在浏览器访问llama-factory的webui页面啦！

地址：127.0.0.1:7860

刚打开默认是英文，我们可以在左上角语言那里，下拉选择zh，配置成文中。

准备数据集

这一步是非常核心的环节，微调的效果很大程度上取决于准备的数据集质量。

如何采集、预处理实际需求中需要的高质量的数据集，可以放到后续的文章中分享。

今天我们主要目的是跑通整个微调流程。

魔搭社区集成了相当丰富的中文数据集(我们可以先搞个现成的来测试)

​​https://www.modelscope.cn/datasets​​

而且有很多分类可以选。

咱们今天就找一个角色扮演（甄嬛）的数据集来微调（方便查看效果）

​​https://www.modelscope.cn/datasets/kmno4zx/huanhuan-chat​​

进来之后，可以在数据预览这里查看详细数据。

有个注意事项，就是llama-factory目前只支持两种格式的数据集。

如下图，Alpaca格式和Sharegpt格式。

然后，我们切换到数据集文件这边，打开huanhuan.json文件。

可以看到它其实就是Alpaca格式的数据集，仅下载这一个文件即可。

下载下来的数据集，我们放在项目根目录的data文件夹下。

在llama-factory添加数据集，不仅要把数据文件放到data目录下，还需要在配置文件dataset_info.json里面添加一条该数据集的记录。

然后，打开data文件夹中一个名为dataset_info.json的配置文件。

添加一条huanhuan.json的json配置，保存。

这样，我们新添加的数据集才能被llama-factory识别到。

这里保存之后，webui那边会实时更新，不需要重启。

微调

上面的准备工作都做好之后，我们就可以在llama-factory的webui上面配置微调相关的参数了。

本次我们的重点是微调，暂不对参数进行深入讲解。

llama-factory已经给了默认参数，接下来我们重点关注需要改动的地方即可。

首先是模型，我们选择此次需要微调的Qwen3-1.7B-Instruct。

微调方式使用默认的lora即可。

Base 版本（如 Qwen3-1.7B-Base）

    基础预训练模型

    没有经过指令微调

    适合继续搞预训练或从头开始指令微调

    通常情况下输出质量不如 Instruct 版本

Instruct 版本（如 Qwen3-1.7B-Instruct）

    经过指令微调的模型

    更适合直接对话和指令遵循

    已经具备基本的对话能力

    更适合用来进一步微调

往下拉，找到train（就是微调），选择我们刚刚配置好的嬛嬛数据集。

训练轮数可以选择1轮，会快一些（如果后面发现效果不理想，可以多训练几轮），我这里最终选择了3轮，因为我发现仅1轮效果不佳。

由于我们的数据集都是一些短问答，可以把截断长度设置小一点，为1024（默认是2048）

预热步数是学习率预热采用的步数，通常设置范围在2-8之间，我们这里配置4，梯度累计设置为4。

本次使用的是lora微调，所以还是得看看lora的参数配置。

主要关注的就是lora秩，和lora缩放系数。

lora秩越大（可以看作学习的广度），学习的东西越多，微调之后的效果可能会越好，但是也不是越大越好。太大的话容易造成过拟合（书呆子，照本宣科，不知变通），这里设置为8。

lora缩放系数（可以看作学习强度），越大效果可能会越好，对于一些用于复杂场景的数据集可以设置更大一些，简单场景的数据集可以稍微小一点。我这里设置256。

到这里我们的参数就配置完毕。

接下来，咱们就可以正式"炼丹"啦！

拉倒最底部，点击开始。

一般过几秒，就会在下面看到日志，橙色的条是进度条。

webui的控制台这边也能看到日志。

只要没有报错即可。

开始之后，llama-factory如果没有找到模型，会先自动下载模型。

模型下载完成之后，可以到下面这个目录查找下载好的模型。

然后就是漫长的等待，我的微调了25分钟才搞定。

之前微调qwen3-4b的模型，仅1轮就耗费了1个小时40分钟。

看到类似下面这条"训练完毕"就代表微调成功。

如果想重新微调，记得改一下下面红框中的两个值。

微调成功后，在检查点路径这里，下拉可以选择我们刚刚微调好的模型。

把窗口切换到chat，点击加载模型。

加载好之后就可以在输入框发送问题，测试微调模型的回复效果了。

如果想切换回微调之前的模型，只需要把检查点路径置空。

然后在chat这里卸载模型，再加载模型即可。

接下来，我们就可以导出模型了。

检查点路径选择我们刚刚微调好的模型。

切换到export，填写导出目录/app/output/qwen3-1.7b-huanhuan。

点击导出。

注意：上面的路径前面固定填/app/output/，后面的文件夹名称可以自定义。

导出完成之后就可以在项目根目录的output目录下，看到自己刚刚导出的qwen3-1.7b-huanhuan文件夹。

里面就是导出的qwen3微调模型和相关文件。

导入ollama，接入Cherry Studio

在导出模型所在文件夹的地址栏输入cmd 回车，进入当前目录的控制台。

我们需要输入一个ollama命令（前提是先启动了ollama）。

指令中的qwen3-1.7b-huanhuan是我自己起的名字（可自定义），这就是导入ollama后的模型名称。

ollama create qwen3-1.7b-huanhuan -f Modefile

结果发现，报错了...无法导入。

查了一下资料才发现，目前ollama还没有支持导入微调后的qwen3...

看下面这个issue，有位老哥提交了修复代码，但是官方说要后面自己实现。

目前ollama官方最新版是v0.7.1我测试了一下，还是没有支持导入微调后的qwen3，所以这块得等官方修复了。

当然，我们可以先换成qwen2.5来进行微调。

用上面同样的方式导出微调模型，然后导入到ollama。

导入成功后，可以用ollama list指令查看。

打开Cherry Studio，在设置->模型服务->ollama->管理里面就能看到刚刚导入的微调后的qwen2.5模型了。

添加之后，就能在Cherry Studio的对话框里面选择微调好的模型啦~

本文转载自​​袋鼠帝 AI 客栈​​，作者：袋鼠帝 AI 客栈