LLaMA Factory：从预训练到RLHF，大模型高效训练框架

LLaMA Factory 是一个高效、易用、可扩展的开源大模型高效训练框架，在GitHub开源社区获得超过25000关注，得到多家国内外企业的关注或落地应用。

Paper：LlamaFactory: Unified Efficient Fine-Tuning of 100+ Language Models
Abs：http://arxiv.org/abs/2403.13372
Code：https://github.com/hiyouga/LLaMA-Factory

项目特色

• • 多种模型：LLaMA、LLaVA、Mistral、Mixtral-MoE、Qwen、Yi、Gemma、Baichuan**、ChatGLM、Phi 等等。
• • 集成方法：（增量）预训练、（多模态）指令监督微调、奖励模型训练、PPO 训练、DPO 训练、KTO 训练、ORPO 训练等等。
• • 多种精度：16 比特全参数微调、冻结微调、LoRA** 微调和基于 AQLM/AWQ/GPTQ/LLM.int8/HQQ/EETQ 的 2/3/4/5/6/8 比特 QLoRA 微调。
• • 先进算法：GaLore、BAdam、DoRA、LongLoRA、LLaMA Pro、Mixture-of-Depths、LoRA+、LoftQ**、PiSSA 和 Agent 微调。
• • 实用技巧：FlashAttention-2、Unsloth、RoPE scaling、NEFTune 和 rsLoRA。
• • 实验监控：LlamaBoard、TensorBoard、Wandb、MLflow 等等。
• • 极速推理：基于 vLLM 的 OpenAI 风格 API、浏览器界面和命令行接口。

性能指标

与 ChatGLM 官方的 P-Tuning[1] 微调相比，LLaMA Factory 的 LoRA 微调提供了 3.7 倍的加速比，同时在广告文案生成任务上取得了更高的 Rouge 分数。结合 4 比特量化技术，LLaMA Factory 的 QLoRA 微调进一步降低了 GPU 显存消耗。

支持模型

模型名	模型大小	Template
Baichuan 2[2]	7B/13B	baichuan2
BLOOM/BLOOMZ[3]	560M/1.1B/1.7B/3B/7.1B/176B	-
ChatGLM3[4]	6B	chatglm3
Command R[5]	35B/104B	cohere
DeepSeek (Code/MoE)[6]	7B/16B/67B/236B	deepseek
Falcon[7]	7B/11B/40B/180B	falcon
Gemma/Gemma 2/CodeGemma[8]	2B/7B/9B/27B	gemma
GLM-4[9]	9B	glm4
InternLM2[10]	7B/20B	intern2
Llama[11]	7B/13B/33B/65B	-
Llama 2[12]	7B/13B/70B	llama2
Llama 3[13]	8B/70B	llama3
LLaVA-1.5[14]	7B/13B	vicuna
Mistral/Mixtral[15]	7B/8x7B/8x22B	mistral
OLMo[16]	1B/7B	-
PaliGemma[17]	3B	gemma
Phi-1.5/Phi-2[18]	1.3B/2.7B	-
Phi-3[19]	4B/7B/14B	phi
Qwen/Qwen1.5/Qwen2 (Code/MoE)[20]	0.5B/1.5B/4B/7B/14B/32B/72B/110B	qwen
StarCoder 2[21]	3B/7B/15B	-
XVERSE[22]	7B/13B/65B	xverse
Yi/Yi-1.5[23]	6B/9B/34B	yi
Yi-VL[24]	6B/34B	yi_vl
Yuan 2[25]	2B/51B/102B	yuan

支持的训练方法

方法	全参数训练	部分参数训练	LoRA	QLoRA
预训练	✅	✅	✅	✅
指令监督微调	✅	✅	✅	✅
奖励模型训练	✅	✅	✅	✅
PPO 训练	✅	✅	✅	✅
DPO 训练	✅	✅	✅	✅
KTO 训练	✅	✅	✅	✅
ORPO 训练	✅	✅	✅	✅
SimPO 训练	✅	✅	✅	✅

提纲：

1、大模型高效训练现状
2、LLaMA Factory 的构建动机与组成模块

• 上百种大模型的全栈微调适配原理
• LoRA算子优化加速方法
• 多种微调Trick集成思路
  3、LLaMA Factory 部署实践

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​