手把手教你用LLaMA‑Factory微调医疗问答模型：从小白到专家的实战之路

前言：理论学完了，该动手了！

还记得上一篇文章里咱们聊的那些"微调魔法"吗？从全量微调的"豪华装修"，到LoRA的"便利贴"，再到QLoRA的"压缩+便利贴"王炸组合——理论都懂了，是不是已经手痒痒了，想要亲手"调教"出一个属于自己的AI专家？

但是吧，一想到那些复杂的Python代码、繁琐的环境配置、还有各种参数调优，瞬间就头大了。有没有什么"傻瓜式"的工具，能让咱们把精力专注在数据准备和应用场景上，而不是被技术细节搞得焦头烂额？

这不，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）

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%。

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。

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。

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。

加油，未来的AI工程师！🚀