LLaMA-Factory微调Qwen3模型完了,怎么直接用vllm推理模型？

环境：

LLaMA-Factory

vllm0.8.5

Qwen3-8b

问题描述：

LLaMA-Factory微调Qwen3模型完了,怎么直接用vllm推理模型？

解决方案：

一、合并 LoRA 权重与基础模型
vLLM 需要完整的模型文件（含合并后的权重），而非单独的 LoRA 适配器。需先合并权重：

1. 修改LLaMA-Factory合并配置文件

训练配置文件

### model
model_name_or_path: /mnt/program/LLaMA-Factory/LLaMA-Factory/Qwen/Qwen3-8B
trust_remote_code: true

### method
stage: sft
do_train: true
finetuning_type: lora
lora_rank: 16
lora_target: all

### dataset
dataset: sjj_train
template: qwen
cutoff_len: 2048
max_samples: 8000
overwrite_cache: true
preprocessing_num_workers: 16
dataloader_num_workers: 8

### output
output_dir: saves/Qwen3-8b/lora/sft
logging_steps: 1000
save_steps: 5000
plot_loss: true
overwrite_output_dir: true
save_only_model: false
report_to: none  # choices: [none, wandb, tensorboard, swanlab, mlflow]

### train
per_device_train_batch_size: 8
gradient_accumulation_steps: 8
learning_rate: 2.0e-4
num_train_epochs: 2.0
lr_scheduler_type: cosine
warmup_ratio: 0.1
fp16: true
ddp_timeout: 180000000
resume_from_checkpoint: null

### eval
#val_size: 0.2
#per_device_eval_batch_size: 2
#eval_strategy: steps
#eval_steps: 5

合并配置文件内容

目录文件merge_lora/qwen3-8b_lora_sft.yaml

### Note: DO NOT use quantized model or quantization_bit when merging lora adapters

### model
model_name_or_path: /mnt/program/LLaMA-Factory/LLaMA-Factory/Qwen/Qwen3-8B
adapter_name_or_path: saves/qwen3-8b/lora/sft/checkpoint-186
template: qwen
trust_remote_code: true

### export
export_dir: output/Qwen3_8b_lora_sft
export_size: 5
export_device: gpu:1
export_legacy_format: false

2. 执行合并命令

CUDA_VISIBLE_DEVICES=1 llamafactory-cli export examples/merge_lora/qwen3-8b_lora_sft.yaml

查看合并后的文件夹，包含 model.safetensors 和配置文件

ubuntu@VM-0-2-ubuntu:~$ ls /mnt/program/LLaMA-Factory/LLaMA-Factory/output/Qwen3_8b_lora_sft
added_tokens.json  generation_config.json  model-00001-of-00004.safetensors  model-00003-of-00004.safetensors  Modelfile                     special_tokens_map.json  tokenizer.json
config.json        merges.txt              model-00002-of-00004.safetensors  model-00004-of-00004.safetensors  model.safetensors.index.json  tokenizer_config.json    vocab.json

二、配置 vLLM 推理服务

使用合并后的完整模型启动 vLLM 服务：

1. 安装 vLLM 依赖
   确保已安装 vLLM 支持包：

   pip install -e '.[vllm]'  # 在 LLaMA-Factory 项目目录下执行
   

2. 启动 vLLM API 服务

   通过命令行部署兼容 OpenAI 的 API：

CUDA_VISIBLE_DEVICES=0,1 nohup sh -c "VLLM_USE_MODELSCOPE=true VLLM_ALLOW_LONG_MAX_MODEL_LEN=1 vllm serve /mnt/program/LLaMA-Factory/LLaMA-Factory/output/Qwen3_8b_lora_sft --host 0.0.0.0 --port 8700 --gpu-memory-utilization 0.8 --max-num-seqs 200 --served-model-name Qwen3-8b --tensor-parallel-size 2 --enable-auto-tool-choice --tool-call-parser hermes --rope-scaling '{\"rope_type\":\"yarn\",\"factor\":4.0,\"original_max_position_embeddings\":32768}' --max-model-len 24096" > vllm.log 2>&1 &

``

关键参数说明：

• --tensor-parallel-size：多卡推理时需匹配 GPU 数量。
• --gpu-memory-utilization：建议设为 0.9 避免 OOM。

---

三、验证服务可用性

通过 curl 或 Python 测试 API：

from openai import OpenAI
client = OpenAI(base_url="http://localhost:8700/v1", api_key="sk-xxx")

response = client.chat.completions.create(
    model="你的模型名称",  # 与 --served-model-name 一致
    messages=[{"role": "user", "content": "你好！"}]
)
print(response.choices[0].message.content)

---

⚠️ 常见问题与优化

1. 显存不足
   • 降低 --tensor-parallel-size（如单卡设为 1）。

   • 减小 --max-model-len 或启用 --quantization（如 awq）。

2. 多卡部署
   通过 CUDA_VISIBLE_DEVICES 指定 GPU：

   CUDA_VISIBLE_DEVICES=0,1,2,3 vllm serve --tensor-parallel-size 4 ...
   

3. 性能优化
   • 使用 --enforce-eager 模式避免内核编译错误（牺牲部分速度）。

   • 监控 GPU 利用率调整 --batch-size。

合并后的模型可直接被 vLLM 加载，无需额外转换。若需进一步量化（如 GPTQ），可在合并时配置 export_quantization_bit 参数，但需注意量化可能影响精度。