优测AI发现 · 学习 · 创造
查看大图 ↗
三步轻松开始微调：
1. 准备数据与模型：通过SFTP或其他支持的方法将数据集无缝上传到平台。
2. 配置与启动：选择基础模型并在我们的可视化界面中配置关键参数。选择快速模式以快速开始，或选择专家模式以进行深入定制。选择符合您预算和时间安排的定价方案，然后一键启动任务。
3. 监控与评估：使用LlamaBoard和TensorBoard等内建工具实时追踪训练损失和资源使用情况。完成后，使用模型评估量化结果，或通过模型聊天功能即时验证性能。
三步轻松开始微调：
1. 准备数据与模型：通过SFTP或其他支持的方法将数据集无缝上传到平台。
2. 配置与启动：选择基础模型并在我们的可视化界面中配置关键参数。选择快速模式以快速开始，或选择专家模式以进行深入定制。选择符合您预算和时间安排的定价方案，然后一键启动任务。
3. 监控与评估：使用LlamaBoard和TensorBoard等内建工具实时追踪训练损失和资源使用情况。完成后，使用模型评估量化结果，或通过模型聊天功能即时验证性能。
LLaMA-Factory Online是官方的云端LLM训练和微调平台，与著名的开源项目LLaMA-Factory合作开发。
我们致力于为寻求简化微调过程或拥有有限工程资源的用户提供一套开箱即用、低代码及端到端的解决方案。
官网访问趋势、地区分布与流量渠道
访问量采用最近明确月份的曲线值；其余指标按概览区间展示。
2025-09 - 2026-09 全部流量
6 个月记录 · 4 个月有有效数据
12 个月记录 · 9 个月有有效数据
13 个月记录 · 10 个月有有效数据
来源未标注统计范围
暂无公开地区数据
来源未标注统计范围
暂无公开渠道数据
| 关键词 | 流量 | 点击费用 |
|---|---|---|
| llamafactory | 暂无数据 | 暂无数据 |
| llama-factory | 暂无数据 | 暂无数据 |
| llama factory | 暂无数据 | $ 0.99 |
| lama factory | 暂无数据 | 暂无数据 |
1. 扩展数据集：增加训练数据集的大小。 2. 增加训练时长：设置更高的训练周期（例如：num_train_epochs: 5.0），或增加总步数（例如：max_steps: 1000）。 3. 调整学习率：尝试增加学习率（例如：将learning_rate设置为2.0e-4）。 4. 切换微调方法：尝试不同的微调类型，如冻结（冻结参数）或全参数调优，通过finetuning_type设置。
如果您遇到GPU内存不足的问题，请尝试以下优化策略： 1. 减小批量大小：将per_device_train_batch_size设置为1。 2. 优化运算符：通过将enable_liger_kernel设置为true和use_unsloth_gc设置为true启用内存高效的内核。 3. 缩短序列长度：减小cutoff_len（例如：设置为512）。 4. 使用高级并行：启用DeepSpeed ZeRO-3或FSDP以在设备之间分片模型权重，或启用CPU卸载。 5. 应用量化：将quantization_bit设置为4以压缩模型参数（仅适用于LoRA微调）。
解决方案取决于问题发生的时间： 如果在训练之前发生：这通常是由于使用原始基础模型（未对齐）或错误的提示模板造成的。请确保您使用的是对齐的指令/聊天模型和正确的模板。 如果在训练之后发生： 模板一致性：验证用于推理的模板与训练期间的模板是否一致。 检查过拟合：如果模型过拟合，请尝试减少训练周期（num_train_epochs）和降低学习率（learning_rate）。
正在载入评论…
真实会员评论，审核通过后公开展示。回复不重复计入评分。
探索更多相关工具
