大模型微调是一项复杂的系统工程，合理的参数配置与显存优化直接决定训练效果与效率。本教程整合了北航ACT实验室、LLaMA-Factory核心开发者以及社区博主的实战经验，系统讲解调参方法和显存影响因素，并附带详细实验数据，助你高效“炼丹”。

调参参考经验总结

训练模型如同“炼丹”，并无万能参数组合。借鉴权威经验能够大幅降低试错成本。以下整理了三种经过验证的调参策略。

1. 北航 ACT 实验室的调参经验

北航ACT实验室的教程[1]提出了四步调参法：

• 增大学习率
  默认学习率为5e-5，调高一倍至1e-4，使模型每轮迭代的学习速度显著提升。

• 增加训练轮数
  默认训练轮数为3轮，调整为8轮，让模型获得更充分的学习。

• 调整批处理大小
  默认批处理大小为2。通常保持 批处理大小 × 梯度累积 × 显卡数量 = 32 即可。

• 增大LoRA参数
  默认LoRA秩为8，缩放系数为16；建议将秩提高至16，缩放系数调整为32。

2. 核心开发者的调参经验

LLaMA-Factory 核心开发者马勇强在知乎分享的入门文档[2]，其微调脚本及关键修改点如下：

CUDA_VISIBLE_DEVICES=0 llamafactory-cli train 
    --stage sft 
    --do_train 
    --model_name_or_path /media/codingma/LLM/llama3/Meta-Llama-3-8B-Instruct 
    --dataset alpaca_gpt4_zh,identity,adgen_local 
    --dataset_dir ./data 
    --template llama3 
    --finetuning_type lora 
    --output_dir ./sa ves/LLaMA3-8B/lora/sft 
    --overwrite_cache 
    --overwrite_output_dir 
    --cutoff_len 1024 
    --preprocessing_num_workers 16 
    --per_device_train_batch_size 2 
    --per_device_eval_batch_size 1 
    --gradient_accumulation_steps 8 
    --lr_scheduler_type cosine 
    --logging_steps 50 
    --warmup_steps 20 
    --sa ve_steps 100 
    --eval_steps 50 
    --evaluation_strategy steps 
    --load_best_model_at_end 
    --learning_rate 5e-5 
    --num_train_epochs 5.0 
    --max_samples 1000 
    --val_size 0.1 
    --plot_loss 
    --fp16

对应的六项关键修改点：

• 降低截断长度
  从2048降至1024，减少显存占用并控制样本长度。

• 提高预热步数
  从0增加至20，使学习率平滑启动，提升训练稳定性。

• 增加训练轮数
  从3轮提升至5.0轮，增加训练深度。

• 减少最大样本数
  从100000降至1000，适合小规模实验或快速验证。

• 提高验证集比例
  从0提升至0.1（10%），便于监控过拟合与模型泛化能力。

• 修改计算类型
  从bf16改为fp16，适配部分显卡或框架兼容性。

3. 其它博主的调参经验

easy-dataset作者ConardLi的文章[3]总结了三条经验：

• 大的 batch_size 需要搭配大学习率，小的 batch_size 搭配小学习率；在小数据集微调时，batchsize 可直接从1开始。

• 截断长度应适当增大（如4096），否则长文本数据会被截断，导致信息缺失。

• LoRA秩从8开始即可，最低不应小于8；小数据集不要设置过大，避免过拟合。