LLM 微調教學：LoRA 與 QLoRA 從零開始的 Fine-tuning 實戰指南
自從 ChatGPT 爆紅之後，大家都在談大型語言模型（LLM），但你有沒有想過：這些通用模型真的能完全符合你的業務需求嗎？答案通常是「差一點」。這時候，微調（Fine-tuning）就派上用場了。而 LoRA 和 QLoRA 的出現，更是讓微調 LLM 變得前所未有地容易和便宜。
我第一次嘗試微調 LLM 是在去年，當時用一張消費級的 RTX 3090 就成功微調了一個 7B 參數的模型，整個過程只花了幾個小時。這在以前根本是不可能的事情。今天，我就來分享這段經歷和實際操作的方法。
什麼是 LLM 微調？跟 Prompt Engineering 有什麼不同？
LLM 微調是指在一個已經預訓練好的大型語言模型上，用特定領域的資料進一步訓練，讓模型更擅長處理你的特定任務。
你可能會想：「我用 Prompt Engineering 進階技巧不就好了嗎？」確實，Prompt Engineering 在很多場景下已經夠用了。但微調和 Prompt Engineering 適用的場景不同：
- Prompt Engineering：適合快速原型、簡單任務、不想花太多成本的情況
- 微調：適合需要一致性高的輸出格式、特定領域知識、降低推論成本（因為不需要很長的 prompt）的場景
舉個例子，如果你要讓 LLM 持續用特定的語氣和格式回覆客服問題，微調會比每次都寫一大段 system prompt 來得更有效率。
全參數微調的困境
傳統的全參數微調（Full Fine-tuning）需要更新模型的所有參數。以一個 7B 參數的模型為例，光是模型本身就需要約 14GB 的顯存（FP16），加上梯度和優化器狀態，總共需要超過 100GB 的顯存。這意味著你至少需要好幾張 A100 GPU，成本非常驚人。
這就是為什麼 LoRA 的出現被稱為是一場革命。
LoRA 是什麼？低秩適應的核心概念
LoRA（Low-Rank Adaptation）是微軟在 2021 年提出的一種參數高效微調方法。它的核心概念非常優雅：與其更新整個模型的所有參數，不如只訓練一小組「適配器」參數。
LoRA 的運作原理
技術上來說，LoRA 會在模型的注意力層旁邊插入兩個小矩陣（A 和 B），這兩個矩陣的乘積就是對原始權重的調整量。因為這兩個矩陣的「秩」（rank）很低，所以需要訓練的參數量大幅減少。
用更直覺的方式來理解：原本你要改造整棟大樓（全參數微調），現在你只需要加裝幾個小配件（LoRA 適配器），就能達到類似的效果。通常只需要訓練原始模型 0.1% 到 1% 的參數量。
LoRA 的優勢
- 大幅降低顯存需求：可以在單張消費級 GPU 上微調大模型
- 訓練速度更快：需要更新的參數少，自然訓練得快
- 可以疊加多個 LoRA：針對不同任務訓練不同的 LoRA 適配器，推論時按需載入
- 不會破壞原始模型：原始權重保持不變，新增的適配器可以隨時移除
QLoRA：更進一步的量化微調
QLoRA 在 LoRA 的基礎上再進一步，它先將原始模型量化到 4-bit（NF4 格式），然後在量化後的模型上做 LoRA 微調。這個技術讓你用一張 24GB 顯存的 GPU 就能微調 65B 參數的模型，簡直不可思議。
QLoRA 的關鍵技術包括：
- 4-bit NormalFloat 量化：一種特別適合神經網路權重分佈的量化方式
- 雙重量化：連量化常數本身也做量化，進一步節省記憶體
- 分頁優化器：當 GPU 顯存不足時，自動將部分資料暫存到 CPU 記憶體
實戰教學：用 QLoRA 微調 Llama 模型
接下來是實際操作的部分。我們會使用 Hugging Face 的生態系來完成整個微調流程。
環境準備
pip install torch transformers peft bitsandbytes datasets trl accelerate這些套件各自的角色：peft 負責 LoRA 實作、bitsandbytes 負責量化、trl 提供簡化的訓練介面。
載入模型與量化設定
from transformers import AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig
from peft import LoraConfig, get_peft_model, prepare_model_for_kbit_training
# 量化設定
bnb_config = BitsAndBytesConfig(
load_in_4bit=True,
bnb_4bit_quant_type="nf4",
bnb_4bit_compute_dtype="float16",
bnb_4bit_use_double_quant=True,
)
# 載入模型
model = AutoModelForCausalLM.from_pretrained(
"meta-llama/Llama-2-7b-hf",
quantization_config=bnb_config,
device_map="auto",
)
tokenizer = AutoTokenizer.from_pretrained("meta-llama/Llama-2-7b-hf")設定 LoRA 參數
# LoRA 設定
lora_config = LoraConfig(
r=16, # LoRA 的秩，越大效果越好但越吃資源
lora_alpha=32, # 縮放因子
target_modules=["q_proj", "v_proj", "k_proj", "o_proj"],
lora_dropout=0.05,
bias="none",
task_type="CAUSAL_LM",
)
model = prepare_model_for_kbit_training(model)
model = get_peft_model(model, lora_config)這裡的 r=16 是 LoRA 的秩（rank），這個值越大，模型的表達能力越強，但需要的資源也越多。對大多數任務來說，8 到 32 之間是個合理的範圍。
準備訓練資料
訓練資料的品質決定了微調的效果。一般來說，你需要準備數百到數千筆高品質的示範資料，格式通常是指令-回覆對（instruction-response pairs）。
如果你的資料量很大，可能還需要考慮搭配 RAG Chunking 策略來做資料的前處理和分割。而微調後的模型也可以結合 RAG 向量資料庫來增強知識檢索能力。
開始訓練
from trl import SFTTrainer
from transformers import TrainingArguments
training_args = TrainingArguments(
output_dir="./results",
num_train_epochs=3,
per_device_train_batch_size=4,
gradient_accumulation_steps=4,
learning_rate=2e-4,
warmup_steps=100,
logging_steps=10,
save_strategy="epoch",
fp16=True,
)
trainer = SFTTrainer(
model=model,
train_dataset=dataset,
args=training_args,
tokenizer=tokenizer,
max_seq_length=2048,
)
trainer.train()微調的注意事項與常見陷阱
根據我自己的經驗，分享幾個重要的注意事項：
- 資料品質比數量重要：100 筆高品質的資料，效果可能比 10000 筆垃圾資料還好
- 不要過度訓練：LLM 微調很容易 overfit，通常 1-3 個 epoch 就夠了
- 學習率要低：建議用 1e-4 到 2e-4，太高會破壞預訓練的知識
- 一定要做評估：不要只看 loss 下降就覺得成功了，要用實際的測試案例來驗證
- 保留原始模型能力：微調目標是增強特定能力，而不是取代通用能力
什麼時候該微調，什麼時候不該？
這是一個很實際的問題。我建議你先嘗試以下方案，如果都不能滿足需求再考慮微調：
- 先用好的 prompt 試試看（零成本）
- 試試 few-shot learning，在 prompt 中給幾個範例
- 用 RAG 來補充外部知識
- 以上都不行，再考慮微調
微調適合的場景：需要特定的輸出格式或語氣、領域專業術語、降低推論延遲和成本、資料隱私考量（不想把資料送到第三方 API）。
總結與下一步
LoRA 和 QLoRA 的出現，真的讓 LLM 微調從「大公司的專利」變成了「每個開發者都能做的事」。只需要一張消費級 GPU，你就能根據自己的需求客製化一個專屬的語言模型。
如果你是第一次嘗試，我建議從一個小模型（例如 7B）和少量高品質資料開始，先跑通整個流程，再慢慢調整參數和擴大規模。記住，微調是一門實驗科學，多試幾次才能找到最佳的配置。