今天给大家带来的是一个带WebUI，无需代码的超简单的本地大模型微调方案（界面操作），实测微调之后的效果也是非常不错。消费级显卡就能搞，最后还可以导出微调后的模型到ollama，通过ollama对外提供使用（接入Cherry Studio）。
只有8B的参数量，确能媲美一些闭源收费的模型，不愧是世界第一开源模型在之前那篇文章里面我还给自己留了个作业
虽然那篇文章阅读量并没有超过8000（兄弟们给点力呀）但是，经过我自己的一番实践之后，我发现微调Qwen3还是大有用处滴。特别适合用来做小而美的垂类大模型提到大模型微调，可能很多人都会觉得门槛很高，需要高超的技术。把微调的整个流程、原理测底搞懂确实有难度。但是如果我们只是做一次模型微调，操作起来其实并不困难。本期又是一篇喂饭级教程接下来跟着我实操，只需要3步，就可以在本地完成Qwen3的微调。而且全过程零代码，提供webui界面操作
1.本地部署一个专注模型微调的开源项目；
2.准备数据集；
3.微调；
最后可以导出微调好的模型到ollama，对接到Cherry Studio中使用做这次微调的前提是你本地已经能用Ollama跑本地模型，并且已经安装了Docker，以及安装了CUDA（版本至少大于11.6，官方推荐12.2）可以在控制台输入nvidia-smi查看
以我的Windows系统为例，显卡是英伟达3060 ti 8G显存（这应该算是中偏下的显卡了吧），相信大多数人的配置都比我的好。
本地部署Llama-factory
首先我们需要本地部署一个零代码，专门用来微调大模型的开源项目：Llama-factory它在GitHub目前已经斩获49K 超高Starhttps://github.com/hiyouga/LLaMA-Factory
并且，这个项目还是我们国人开源的，作者是北京航空航天大学博士生-郑耀威
先通过git指令把源码拉取到本地
git clone https://github.com/hiyouga/LLaMA-Factory.git
如果没有git，也可以直接下载源码的zip包然后我们还是使用docker-compose部署首先，进入如下目录
在地址栏输入cmd，回车，进入控制台
在控制台输入docker-compose up -d
这个过程需要下载很多依赖，最终会构建一个33G左右的docker镜像。整个下载过程可能要持续20分钟左右看到如下日志就代表部署成功~
如果想启动webui，我们还需要进入llamafactory容器内部
docker compose exec llamafactory bash
然后执行 llamafactory-cli webui 启动webui
启动之后我们可以在浏览器访问llama-factory的webui页面啦地址：127.0.0.1:7860
刚打开默认是英文，我们可以在左上角语言那里，下拉选择zh，配置成文中。
准备数据集
这一步是非常核心的环节，微调的效果很大程度上取决于准备的数据集质量。如何采集、预处理实际需求中需要的高质量的数据集，可以放到后续的文章中分享。今天我们主要目的是跑通整个微调流程。魔搭社区集成了相当丰富的中文数据集(我们可以先搞个现成的来测试) www.modelscope.cn/datasets 而且有很多分类可以选
咱们今天就找一个角色扮演（甄嬛）的数据集来微调（方便查看效果）www.modelscope.cn/datasets/km…
进来之后，可以在数据预览这里查看详细数据
有个注意事项，就是llama-factory目前只支持两种格式的数据集
如下图，Alpaca格式和Sharegpt格式
然后我们切换到数据集文件这边，打开huanhuan.json文件可以看到它其实就是Alpaca格式的数据集，仅下载这一个文件即可
下载下来的数据集，我们放在项目根目录的data文件夹下
在llama-factory添加数据集，不仅要把数据文件放到data目录下，还需要在配置文件dataset_info.json里面添加一条该数据集的记录。
然后打开data文件夹中一个名为dataset_info.json的配置文件添加一条huanhuan.json的json配置，保存这样，我们新添加的数据集才能被llama-factory识别到
这里保存之后，webui那边会实时更新，不需要重启
微调
上面的准备工作都做好之后，我们就可以在llama-factory的webui上面配置微调相关的参数了。本次我们的重点是微调，暂不对参数进行深入讲解。llama-factory已经给了默认参数，接下来我们重点关注需要改动的地方即可。首先是模型，我们选择此次需要微调的Qwen3-1.7B-Instruct微调方式使用默认的lora即可
Base 版本（如 Qwen3-1.7B-Base）
基础预训练模型
没有经过指令微调
适合继续搞预训练或从头开始指令微调
通常情况下输出质量不如 Instruct 版本
Instruct 版本（如 Qwen3-1.7B-Instruct）
经过指令微调的模型
更适合直接对话和指令遵循
已经具备基本的对话能力
更适合用来进一步微调
往下拉，找到train（就是微调），选择我们刚刚配置好的嬛嬛数据集训练轮数可以选择1轮，会快一些（如果后面发现效果不理想，可以多训练几轮），我这里最终选择了3轮，因为我发现仅1轮效果不佳。
由于我们的数据集都是一些短问答，可以把截断长度设置小一点，为1024（默认是2048）预热步数是学习率预热采用的步数，通常设置范围在2-8之间，我们这里配置4，梯度累计设置为4
本次使用的是lora微调，所以还是得看看lora的参数配置主要关注的就是lora秩，和lora缩放系数。
lora秩越大（可以看作学习的广度），学习的东西越多，微调之后的效果可能会越好，但是也不是越大越好。太大的话容易造成过拟合（书呆子，照本宣科，不知变通），这里设置为8lora缩放系数（可以看作学习强度），越大效果可能会越好，对于一些用于复杂场景的数据集可以设置更大一些，简单场景的数据集可以稍微小一点。我这里设置256到这里我们的参数就配置完毕。接下来咱们就可以正式"炼丹"啦拉倒最底部，点击开始一般过几秒，就会在下面看到日志，橙色的条是进度条
webui的控制台这边也能看到日志
只要没有报错即可开始之后，llama-factory如果没有找到模型，会先自动下载模型模型下载完成之后，可以到下面这个目录查找下载好的模型
然后就是漫长的等待，我的微调了25分钟才搞定。
之前微调qwen3-4b的模型，仅1轮就耗费了1个小时40分钟
看到类似下面这条"训练完毕"就代表微调成功。如果想重新微调，记得改一下下面红框中的两个值
微调成功后，在检查点路径这里，下拉可以选择我们刚刚微调好的模型
把窗口切换到chat，点击加载模型
加载好之后就可以在输入框发送问题，测试微调模型的回复效果了
如果想切换回微调之前的模型，只需要把检查点路径置空然后在chat这里卸载模型，再加载模型即可
接下来我们就可以导出模型了检查点路径选择我们刚刚微调好的模型切换到export，填写导出目录/app/output/qwen3-1.7b-huanhuan点击导出
注意：上面的路径前面固定填/app/output/，后面的文件夹名称可以自定义
导出完成之后就可以在项目根目录的output目录下，看到自己刚刚导出的qwen3-1.7b-huanhuan文件夹里面就是导出的qwen3微调模型和相关文件
导入ollama，接入Cherry Studio在导出模型所在文件夹的地址栏输入cmd 回车，进入当前目录的控制台我们需要输入一个ollama命令（前提是先启动了ollama）
指令中的qwen3-1.7b-huanhuan是我自己起的名字（可自定义），这就是导入ollama后的模型名称
ollama create qwen3-1.7b-huanhuan -f Modefile
结果发现，报错了...无法导入查了一下资料才发现，目前ollama还没有支持导入微调后的qwen3...看下面这个issue，有位老哥提交了修复代码，但是官方说要后面自己实现。。
目前ollama官方最新版是v0.7.1我测试了一下，还是没有支持导入微调后的qwen3，所以这块得等官方修复了。当然，我们可以先换成qwen2.5来进行微调用上面同样的方式导出微调模型，然后导入到ollama导入成功后，可以用ollama list指令查看
打开Cherry Studio，在设置->模型服务->ollama->管理里面就能看到刚刚导入的微调后的qwen2.5模型了
添加之后，就能在Cherry Studio的对话框里面选择微调好的模型啦~纸上得来终觉浅，绝知此事要躬行，快去试试吧！
原文地址：https://mp.weixin.qq.com/s/BcOJQdPhtatcrrJC2ILb_w
