本文详细介绍了使用LLaMA-Factory工具微调Qwen3-0.6B-Instruct模型的全过程，将其打造成专业医疗问答AI助手。文章从环境搭建、数据准备（使用Huatuo-Lite医疗数据集）、参数配置、模型训练到效果测试和模型导出，提供了完整的可视化操作指南。无需复杂编程，通过网页界面即可完成大模型微调，适合有一定基础但不想深入编码的开发者，成功将通用AI模型转变为特定领域的专家。

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：

LLaMA-Factory WebUI界面

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：

模型原始回答

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：

数据样例

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：

参数配置

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。

---

如何系统学习掌握AI大模型？

AI大模型作为人工智能领域的重要技术突破，正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口，掌握AI大模型的知识和技能将变得越来越重要。

学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。

这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！

1. 成长路线图&学习规划

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

4. 大模型行业报告

行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5. 大模型项目实战

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

6. 大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

全套的AI大模型学习资源已经整理打包，有需要的小伙伴可以微信扫描下方CSDN官方认证二维码，免费领取【保证100%免费】