- 综合排序
- 最热优先
- 最新优先
LLaMA Factory 详解
前言 本文不涉及 LLaMA Factory 的具体使用，而仅仅是对 LLaMA Factory 其中各种参数设定等功能进行详解。 LLaMA Factory 快速使用：使用 LLaMA Factory 微调一个 Qwen3-0.6B 猫娘 本文重点参考 code秘密花园 的教程，因其过于繁琐，故用本人阅读喜好重写笔记，用作留存。 （完整版） LLaMA Factory WebUI 通用设置：可以设置 WebUI 展示的语言、需要微调的模型、微调的方法、是否量化、微调的加速方式等配置： 微调训练：包括以下几部分配置： LLaMA Factory 微调通用设置 基座选择 分类 标识 含义 示例（模型名称） 功能开发与任务类型 -Base 基础模型，未经过特定任务微调，提供原始能力（用于二次开发）。 加速方式 比较熟悉的加速方式是 Unsloth，它默认就会采用动态的 4 位量化，这也是它一个非常重要的加速手段；我们在 LLaMA Factory 中将量化等级选择为 4 bit，然后加速方法选择
35110编辑于 2026-01-23- 来自专栏xiaosen
LLaMA Factory微调Llama3模型
LLaMA Factory是一款开源低代码大模型微调框架，集成了业界最广泛使用的微调技术，支持通过Web UI界面零代码微调大模型，目前已经成为开源社区内最受欢迎的微调框架。 -8B模型尝试一下 安装LLaMA Factory 拉取LLaMA-Factory项目 git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.git # 正克隆到 'LLaMA-Factory'... remote: Enumerating objects: 298, done. remote: Counting objects: 100% (298 然后安装LLaMA-Factory依赖环境。 Project page: https://github.com/hiyouga/LLaMA-Factory | -------------------------------------------
60410编辑于 2024-09-05 Llama Factory 使用指南
Llama Factory 使用指南 —— 轻松微调主流大模型（LLaMA、ChatGLM、Qwen、Baichuan、Phi、Gemma等）Llama Factory 是一个开源、模块化、易用的大语言模型 项目地址：https://github.com/hiyouga/LLaMA-Factory✅ 一、核心特性特性描述 多模型支持LLaMA, LLaMA2, LLaMA3, Mistral, Gemma, # 克隆项目git clone https://github.com/hiyouga/LLaMA-Factory.gitcd LLaMA-Factory# 创建虚拟环境（可选）python -m venv 九、资源推荐GitHub 主页：https://github.com/hiyouga/LLaMA-Factory中文文档（官方）：https://llamafactory.readthedocs.io/ ://github.com/hiyouga/LLaMA-Factory/blob/main/docs/Dataset.md社区交流：Discord / 微信群（见 README）✅ 总结：Llama Factory
1.7K10编辑于 2025-09-17- 来自专栏HUC思梦的java专栏
从LLaMA-Factory项目认识微调
概述 什么是LLaMA-Factory？ LLaMA-Factory是一个在github上开源的，专为大模型训练设计的平台。 项目提供中文说明，可以参考官方文档：https://github.com/hiyouga/LLaMA-Factory/blob/main/README_zh.md 为什么要学习LLaMA-Factory 对于想要了解微调大模型技术的技术人员，通过学习LLaMA-Factory后也能快速理解模型微调的相关概念。 所以，我认为LLaMA-Factory是走向大模型微调的一条捷径。 如何学习？ 实际上，如果选择使用LLaMA-Factory进行微调，我们按照LLaMA-Factory的数据集格式要求准备数据就可以了。 https://github.com/hiyouga/LLaMA-Factory/blob/main/README_zh.md 数据集准备 根据LLaMA-Factory官方提供的数据准备文档，可以看到训练数据的格式
10.1K14编辑于 2024-04-18 - 来自专栏火山信安实验室
【漏洞通报】Llama-Factory vhead_file 代码执行漏洞
漏洞情况近期，火山信安实验室监测发现，Llama-Factory 作为一款用于微调大型语言模型（LLM）的开源工具，支持多种主流的 LLM 模型，在相关领域得到了一定应用。 当 Llama-Factory 处理该请求时，会尝试加载并解析 vhead_file 所指定的文件。 在解析这个恶意输入文件的过程中，Llama-Factory 存在安全缺陷，可能会执行文件中包含的恶意代码。 0x02影响范围Llama-Factory 的某些早期版本存在此漏洞，具体版本号可能包括但不限于某些特定的小版本号（如 1.x.x 中的某些版本，但具体需参考官方安全公告）0x03修复方案建议用户尽快升级到 Llama-Factory 的最新安全版本，以确保系统不受此漏洞的影响在等待升级的过程中，可以采取一些临时防护措施，如限制对 vhead_file 参数的访问权限、增加输入验证和过滤机制等加强对 Llama-Factory
17610编辑于 2025-09-22 - 来自专栏人工智能领域
使用LLaMA Factory来训练智谱ChatGLM3-6B模型
下载和安装LLaMA Factory a. 克隆LLaMA Factory仓库 打开命令行或终端，使用git clone命令从GitHub上克隆LLaMA Factory的仓库到本地计算机。 官方源码仓库地址：https://github.com/hiyouga/LLaMA-Factory https://github.com/hiyouga/LLaMA-Factory git clone 你可以参考LLaMA Factory的官方文档或教程来设置合适的参数值。 使用LLaMA Factory提供的工具或脚本加载预训练模型。 b. 运行训练脚本 根据LLaMA Factory的官方文档或教程，编写或修改训练脚本以指定数据集路径、训练参数等。 请注意，由于LLaMA Factory和ChatGLM3-6B模型的细节可能会随着时间的推移而更新或变化，因此建议参考最新的官方文档LLaMA-Factory QuickStart - 知乎1.
62810编辑于 2024-12-18 - 来自专栏后台技术底层理解
Java 工厂 Simple Factory&Factory&Abstract Factory
下图中，Factory 有一个 doSomething() 方法，这个方法需要用到一个产品对象，这个产品对象由 factoryMethod() 方法创建。该方法是抽象的，需要由子类去实现。 public abstract class Factory { abstract public Product factoryMethod(); public void doSomething factoryMethod(); // do something with the product } } public class ConcreteFactory1 extends Factory factoryMethod() { return new ConcreteProduct1(); } } public class ConcreteFactory1 extends Factory factoryMethod() { return new ConcreteProduct1(); } } public class ConcreteFactory2 extends Factory
43610发布于 2020-08-04 - 来自专栏深圳架构师同盟
Llama-Factory 意图识别模型微调实战（RTX 4090D 24G）
2、云主机配置及启动llama-factory webui开机后可以通过JupyterLab跳转页面进行配置且打开llama-factory webui页面/jupyterlab页面如下：根目录中LLaMa-Factory 选择创建终端，接着启动Llama-Factory框架的webui，如截图就说明启动成功了。 bash /root/LLaMA-Factory/chuli/one.sh然后到AutoDL实例页面选择“自定义服务”根据本地电脑os不同选择对应的使用方式：笔者是mac系统。 python /root/LLaMA-Factory/模型贩卖机.py2、准备对应的训练数据集按照如下截图将微调数据集按照如下问答的格式粘贴到“放置数据集.txt”文件中接下来，在终端中执行命令处理数据集 ，会自动将如上准备的问答数据集转存到训练格式的train.json文件中bash /root/LLaMA-Factory/chuli/单多轮脚本/DD.sh3、llama-factory框架微调相关配置选择基础模型
33310编辑于 2026-01-21 - 来自专栏张高兴的博客
大模型开发实战：（五）使用 LLaMA Factory 微调与量化模型并部署至 Ollama
LLaMA Factory 是一个开源的全栈大模型微调框架，简化和加速大型语言模型的训练、微调和部署流程。 下面通过一个简单的示例来展示如何使用 LLaMA Factory 进行模型微调并部署至 Ollama。 环境搭建与配置 克隆 LLaMA Factory 的 Git 仓库（https://github.com/hiyouga/LLaMA-Factory），创建 Python 虚拟环境并安装依赖。 git clone https://github.com/hiyouga/LLaMA-Factory.git cd LLaMA-Factory pip install -e ". 将下载好的 JSON 数据集放入 LLaMA-Factory/data 目录下，并在 LLaMA-Factory/data/data_info.json 中注册数据集。
4.3K40编辑于 2025-05-21 - 来自专栏MGS浪疯 Blog
使用LLaMA-Factory对LLM大模型进行微调！训练专属于你的模型！
本篇文章，就带大家走一遍微调大模型的全流程 所用项目 LLaMA-Factory：https://github.com/hiyouga/LLaMA-Factory qwen2.5:7b:https:// huggingface.co/Qwen （因为目前LLaMA-Factory支持的模型有限，所以并没有采用腾讯开源的混元模型，但总体教程是一样的） 所用设备 因为涉及到模型训练，所需要的算力也比较大，同时 这里地区选择可以根据自己需要选择，因为目前国内部分地区也有学术加速，不会说在下部分文件的时候出现无法下载的情况 开启学术加速（非必需） 服务器创建后，在控制台首页右侧会有一个学术加速按钮，我们点击，选择对应地区即可开启 安装LLaMA-Factory python=3.11 随后就会自动开始安装我们所需要的东西 完成后，我们输入 conda activate LLaMa 即可进入我们这个虚拟环境 LLaMA-Factory安装 我们按照官方给的文档 ，依次输入下面三条指令 git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.git cd LLaMA-Factory pip install
3.3K91编辑于 2024-11-22 - 来自专栏机器之心
360智脑开源360-LLaMA-Factory
项目主页：https://github.com/Qihoo360/360-LLaMA-Factory 最近，360 智脑基于 LLaMA-Factory 开源了 360-LLaMA-Factory，加入了序列并行功能 正式合并进 LLaMA-Factory 主仓之前，可先使用 360-LLaMA-Factory。 LLaMA-Factory 的序列并行也做到了简单易用和兼容并包，和 LLaMA-Factory 的其他功能完全兼容。 表 1：一些支持序列并行的后训练框架对比 3、360-LLaMA-Factory 框架解析 360-LLaMA-Factory 系统性地为 LLaMA-Factory 增加了序列并行的支持。 图 3：360-LLaMA-Factory SFT 序列并行对比 图 4：360-LLaMA-Factory DPO 序列并行对比 4、360-LLaMA-Factory 效果验证 内部 360-LLaMA-Factory
36300编辑于 2025-02-03 - 来自专栏技术开源分享
工厂模式(Factory)
简单工厂和工厂方法这俩个设计模式不做详细介绍，请各位看官自行百度，有大量的解释。再次我简单引用一下其他博客主对这三种模式的理解。
77710发布于 2018-10-31 - 来自专栏叽叽西
创建型-Factory
简单工厂（Simple Factory） package factory.simple; public class RuleConfigParserFactory { public ; import factory.common.IRuleConfigParser; import factory.common.XmlRuleConfigParser; public class package factory.complex; import factory.common.IRuleConfigParser; import factory.common.ISystemConfigParser ; import factory.common.IRuleConfigParser; import factory.common.ISystemConfigParser; import factory.common.JsonRuleConfigParser ; import factory.common.IRuleConfigParser; import factory.common.ISystemConfigParser; import factory.common.JsonRuleConfigParser
48310编辑于 2022-05-17 - 来自专栏机器学习入门
ACM Computer Factory
ACM Computer Factory 题意： 一个工厂，有n台机器，每台机器均有输入条件和输出结果，比如3个零件，机器1，输入0 0 1，表示输入机器1之前必须拥有零件3，输出 1 1 1，则表示通过该机器
1K30发布于 2019-05-26 - 来自专栏数据库
【设计模式】Factory模式
为了彻底摆脱对具体数据库类的依赖，可以采用Factory模式，通过Factory实例来创建具体数据库的实例，而不是在客户程序中直接new了。 其实Factory模式也体现了以前讲过的依赖倒置原则（DIP），应用程序应该依赖于抽象，而不是具体类。应用Factory模式，应用程序只依赖于抽象的接口就能创造出具体的对象实例。 Factory模式在单元测试中也大有用途。 Factory模式是一个很有效的模式，但是使用Factory模式也会带来复杂性，至少增加了额外的几个类，所以不应该盲目使用此模式，无论创建任何对象都使用Factory模式的想法未免过于极端了。
68580发布于 2018-01-23 CBT-LLM 心理大模型微调，用 LLaMA Factory 微调框架就够啦！| 附一键复现指南
而LLaMA Factory作为当前最高效的微调框架之一，为这一过程提供了重要支持。 图片 此研究使用了LLaMA-Factory高效模型训练微调框架，使用了添加系统指令的 CBT QA 数据集，选取了LLaMA-Chinese-7B、Alpaca-Chinese-7B、Qwen-7B ，证明 LLaMA-Factory 的微调能力可有效提升模型对 CBT 框架的贴合度。 03 | 一键式复现 为加速研究转化，Lab4ai.cn 提供了基于LLaMA-Factory的CBT-LLM完整可复用方案，无需用户进行复杂的环境配置，即可一键式体验模型复现流程。 Step 1：登录Lab4AI.cn，在“项目复现”中找到“LLaMA Factory 微调能力在心理健康大模型中的应用” 项目复现指路：点击查看项目详情 图片 Step 2：点击“立即体验”
31910编辑于 2025-11-12- 来自专栏数据结构与算法
HDU 5536 Chip Factory
Problem Description John is a manager of a CPU chip factory, the factory produces lots of chips everyday More specifically, the factory pro At the end of the day, he packages all the chips produced this day
1.2K150发布于 2018-04-11 - 来自专栏TopFE
Could not create cache adapter cache factory not found: factory for cache adapter ““ was not regist
RROR: Could not create cache adapter error=cache factory not found: factory for cache adapter
2K20编辑于 2022-01-24 - 来自专栏InvQ的专栏
抽象工厂（Abstract Factory）
抽象工厂（Abstract Factory） Intent 提供一个接口，用于创建 相关的对象家族 。
41930编辑于 2022-01-10 - 来自专栏振兴的Android修炼手册
遇见LayoutInflater&Factory
attrs); } /***部分代码省略****/ } LayoutInflater有两个工厂类，Factory和Factory2，区别只是在于Factory2可以传入父容器作为参数。 public abstract class LayoutInflater { /***部分代码省略****/ public void setFactory(Factory factory 这个时候我们发现LayoutInflater的Factory已经被设置过了。具体是在哪里设置的呢？我们看看下边LayoutInflater.Factory在Android源码中的使用部分内容。 ) { //最终调用了LayoutInflater的setFactory方法，对Factory进行设置 inflater.setFactory(factory ! inflater) { LayoutInflater.Factory factory = inflater.getFactory(); if (factory instanceof
1.2K20发布于 2020-05-29
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号