网站介绍视频怎么做关于建设公司网站的建议

Finetuning method参数

• full（全量微调）
  • 更新模型全部参数，完全适配新任务
    • 效果最好，但资源消耗最大
    • 适用于计算资源充足的场景
    • 存在过拟合的风险，需要大量数据支持
• freeze（冻结微调）
  • 固定底层参数，仅微调高层或分类头
    • 显存需求最低，训练速度最快
    • 保留预训练通用特征，灵活性较低
    • 适合迁移学习场景
• lora（低秩微调）
  • 通过低秩矩阵分解注入可训练参数
    • 参数效率高，显存占用仅为全量微调的1/10
    • 训练速度比全量微调快25%
    • 效果接近全量微调，无推理延迟
    • 支持多任务共享基础模型

选型建议：资源受限优先选择lora，需要最高精度且资源充足用ful，快速适配相似领域用freeze。

💡 如图所示，页面中还有RLHF、GaLore、APOLLO、BAdam、SwanLab这些和上面三者有什么关联、区别呢？

上面说的full、freeze、lora属于参数更新策略 ，决定微调哪些参数。

其他的是在参数更新策略上优化的工具：

RLHF	对齐方法	通过人类反馈优化模型输出质量
GaLore	梯度优化算法	低秩投影降低梯度计算内存消耗
BAdam/APOLLO	二阶优化器	改进Adam的预训练适应性
SwanLab	实验管理工具	记录训练过程指标对比

两者属于协同关系，比如：

• GaLore可与Full-tuning结合实现内存优化（需禁用LoRA）
• RLHF通常在SFT（含LoRA/Freeze）后作为对齐阶段使用
• BAdam/APOLLO可作为Full-tuning的优化器替代品

---

Stage参数

💡llama-factory中Stage（The stage to perform in training.）包含的参数值有：Supervised Fine-Tuning、Reward Modeling、PPO、DPO、KTO、Pre-Training

核心训练阶段

• Supervised Fine-Tuning（SFT）
  • 使用标注数据微调模型，适配下游任务
  • 兼容freeze/lora/ful微调方法
• Pre-Training
  • 增量预训练阶段，扩展模型知识
  • 通常采用full微调方法更新全部参数

对齐优化阶段

• reward modeling ，训练奖励模型用于RLHF ，需要独立训练不依赖微调方法

• PPO ，策略梯度强化学习优化输出 ，需要与SFT阶段微调方法解偶

• DPO/KTO ，直接偏好优化替代RLHF ，可以结合lora微调

• 关系图

  预训练阶段

  监督微调

  对齐优化

---

参数解释

基本配置

• Language

  • 选择zh 页面则是全中文，en 则是英文

• Model Name

  • 模型名称

• Model path

  • 本地模型的文件路径或 Hugging Face 的模型标识符。会从HF上下载，存在网络问题。

• Finetuning method

  • 微调方法：lora、freeze、full
    • lora：通过低秩适配器（Low-Rank Adaptation）微调，仅训练少量参数，适合资源有限场景。
    • freeze：冻结大部分层，仅微调特定层（如分类头），速度最快但灵活性低。
    • full：全参数微调，更新所有模型参数，效果最佳但显存消耗大。
  • 建议：优先用 lora 节省资源，效果接近full全参数微调；显存充足时可选 full。

  ---

• Checkpoint Path

  • 指定预训练模型或者已有的微调权重的路径

• Quantization Bit

  • 模型权重量化位数，降低显存占用：none、8、4
    • none ：不启用量化，保留原始精度（fp16、bf16）
    • 8、4：8位、4位量化，大幅减少显存，但效果相较原始精度略低。
  • 建议：显存不足时选4 ，需要配合量化方法（Quantization Method）

• Quantization Method

  • 量化具体实现库：bnb、hqq、eetq
    • bnb ：BitsAndBytes最常用的量化库，支持8、4 bit量化，兼容性好，适用于需要压缩和加速大规模模型的场景
    • hqq ：Half-Quadratic Quantization是一种半二次量化方法，通过二次函数逼近量化误差，提升量化精度，适用于对精度要求较高的低比特量化场景（高效量化，适合低精度推理）
    • eetq ：Efficient and Effective Ternary Quantization是一种高效的三值量化方法，将权重和激活值量化为-1、0、1三个值，适用于需要极致压缩和加速的场景，尤其是硬件资源受限的环境。
  • 建议：训练时用 bnb，推理可尝试 hqq 或 eetq

• Chat Template

  • 构建提示词时使用的模板，根据模型来选择，要和模型预训练格式对齐。

• RoPE Scaling

  • RoPE （Rotary Position Embeddings）scaling，扩展模型上下文长度的RoPE（旋转位置嵌入）策略，以提高模型处理更长序列的能力：none、linear、dynamic、yarn、llama3
    • linear ：线性插值，简单扩展但长文本效果可能不稳定
    • dynamic：动态调整插值系数，平衡长短文本性能
    • yarn：结合插值和微调，稳定扩展至更长上下文
    • llama3：MetaAI官方扩展方法，适配Llama3的长上下文需求
  • 建议：长文本任务优先选dynamic、yarn

• Booster

  • 加速训练的技术选项：auto、flashattn2、unsloth、liger_kernel
  • flashattn2：优化注意力计算，显著提速且省显存
  • unsloth：轻量化训练框架，减少冗余计算
  • liger_kernel：定制化GPU内核，针对特定硬件加速

• 建议：默认auto 选择，显存不足时优先选flashattn2

---

训练配置（train）

• Stage
  • Pre-training、SFT、Reward Modeling、PPO、DPO、KTO
    • SFT（监督微调）：基础任务，用标注数据微调模型。
    • PPO（策略优化）：强化学习阶段，优化生成策略。
    • DPO/KTO：直接偏好优化，用人类偏好数据对齐模型输出。
  • 建议：从SFT开始，再根据任务需求进入强化学习或偏好优化阶段。
• Learning Rate
  • 学习率，控制参数更新步长
  • full建议1e-5～5e-5，lora可以设置更高1e-4，因为参数更新量小。
• Epochs
  • 训练轮次，SFT任务通常3-10轮足够，（偏好优化）DPO、PPO任务1-3轮即可。
• Maximum Gradient Norm
  • 最大梯度裁剪范数，默认1.0，如果训练不稳定（如：loss突增），可以降低至0.5
• Max Samples
  • 限制样本集样本数量，数量大时可以限制1w～10w
• Compute Type
  • 是否使用混合精度训练：bf16`fp16\fp32\pure_bf16`
  • fp16`fp32`大多数硬件都支持、所以可以用混合精度训练提高吞吐。
  • bf16只有新的硬件支持，v100/升腾910不支持
  • pure_bf16强制精度位bf16
• Cutoff Length
  • 用于控制输入文本的截断长度：4096、8192 …
  • 内存管理、训练效率、避免过拟合、模型一致性
• Batch Size 、Gradient Accumulation
  • 单步训练的数据量 batch size * gradient accumulation
  • 显存不足时，减少batch size，增大gradient accumulation（梯度累计）
• Val Size
  • 验证集比例：0.1即数据集中10%的数据作为验证集，数据量大时可以设置0.001
• LR Scheduler
  • 动态调整学习率：cosine、linear、constant_with_warmup
    • linear ：线性衰减
    • cosine：余弦衰减，平滑衰减，适合长周期训练
    • constant_with_warmup：带热身的恒定学习率，适合小数据集