支持私有云部署
AI知识库

53AI知识库

学习大模型的前沿技术与行业应用场景


LLaMA Factory微调后的大模型在vLLM框架中对齐对话模版

发布日期:2025-04-01 12:28:17 浏览次数: 1555 作者:AI悠悠
推荐语

深入解析LLaMA Factory大模型微调后的对话不匹配问题和解决方案。

核心内容:
1. LLaMA Factory微调后大模型对话效果与vLLM推理架构中对话效果不一致的原因
2. 对话模版不一致问题的分析
3. 确保对话模版一致性的两种解决方案及其操作步骤

杨芳贤
53A创始人/腾讯云(TVP)最具价值专家
LLaMA Factory微调后的大模型Chat对话效果,与该模型使用vLLM推理架构中的对话效果,可能会出现不一致的情况。

模型回答不稳定:有一半是对的,有一半是无关的?
一般是因为训练时间太短,loss曲线未收敛;需要继续微调训练;

大模型回答与LLaMA Factory训练chat界面的不一致?
一般是因为对话模版chat_template不一致。

本文来讲解下对话模版不一致的情况的解决方法。

一、原因分析

1、LLaMA Factory在微调训练需要选择模型名称,自动带出对话模版,比如qwen。这个对话模版是LLaMA Factory项目根据qwen官方提供的对话模版改编,与大模型自身的对话模版并不相等。


2、LLaMA Factory的对话模版的源码在LLaMA-Factory/src/llamafactory/data/template.py这个类里。获取对话模版的方法(私有方法)_get_jinja_template ,可以用公共方法fix_jinja_template来调用该私有方法。 

大模型的默认对话模版在 tokenizer_config.json里chat_template字段。

3、可以看到LLaMA Factory微调训练时的对话模版与大模型的默认对话模版并不相同。

二、解决方案

既然是因为两边不一致,那么只要保证两边一致即可。也就是模版对话对齐。

我们可以将LLaMA Factory中的模版修改掉,需要修改源码;也可以在vLLM、ollama或LMDeploy等推理框架在运行大模型时候手动指定对话模版。两种方法都可以,这里我们先使用后者来操作。

1、获取LLaMA Factory中的对话模版

在微调训练中,界面中选择大模型后,自定带出对话模版,记住名称,比如qwen 。

写一个python代码,获取对话模版,get_chat_template.py 。 

# get_chat_template.pyimport sysimport os
# 将项目根目录添加到 Python 路径root_dir = os.path.dirname(os.path.dirname(os.path.dirname(os.path.dirname(os.path.abspath(__file__)))))sys.path.append(root_dir)
from llamafactory.data.template import TEMPLATESfrom transformers import AutoTokenizer
# 1. 初始化分词器(任意支持的分词器均可)tokenizer = AutoTokenizer.from_pretrained("/root/autodl-tmp/llm/Qwen/Qwen2.5-0.5B-Instruct")
# 2. 获取模板对象template_name = "qwen"  # 替换为你需要查看的模板名称template = TEMPLATES[template_name]
# 3. 修复分词器的 Jinja 模板template.fix_jinja_template(tokenizer)
# 4. 直接输出模板的 Jinja 格式print("=" * 40)print(f"Template [{template_name}] 的 Jinja 格式:")print("=" * 40)print(tokenizer.chat_template)

需要修改2个地方,(1)初始化分词器,地址要写本地存在的大模型; (2)获取模版对象,template_name一定要写你微调界面上选择的对话模版名称,比如qwen  。

将该文件放在目录LLaMA-Factory/src/llamafactory/data下。

行该文件。

python get_chat_template.py

结果如下: 

将内容复制,从====的下一行{% 开始复制。保存到一个文件中,格式为.jinja   ,比如  qwen.jinja 。

2、vLLM运行大模型指定jinja文件

为了使语言模型支持聊天协议,vLLM 要求模型在其 tokenizer 配置中包含一个聊天模板。聊天模板是一个 Jinja2 模板,它指定了角色、消息和其他特定于聊天对 tokens 如何在输入中编码。

可以在 --chat-template 参数中手动指定聊天模板的文件路径或字符串形式。

vllm serve <model> --chat-template ./path-to-chat-template.jinja

比如:

vllm serve /root/autodl-tmp/llm/Qwen/Qwen2.5-0.5B-Instruct-merge --chat-template /root/autodl-tmp/project/day07/qwen.jinja

这样就可以保证对话模板一致了。 

3、ollama创建ModelFile的内容

创建一个python文件,获取内容:get_ollama_modelfile.py

# mytest.pyimport sysimport os
# 将项目根目录添加到 Python 路径root_dir = os.path.dirname(os.path.dirname(os.path.dirname(os.path.dirname(os.path.abspath(__file__)))))sys.path.append(root_dir)
from llamafactory.data.template import TEMPLATES, get_template_and_fix_tokenizerfrom transformers import AutoTokenizerfrom llamafactory.hparams import DataArguments
# 1. 初始化分词器(任意支持的分词器均可)tokenizer = AutoTokenizer.from_pretrained("/root/autodl-tmp/llm/Qwen/Qwen2.5-0.5B-Instruct")
# 2. 获取模板对象template_name = "qwen"  # 替换为你需要查看的模板名称template = TEMPLATES[template_name]
# 3. 修复分词器的 Jinja 模板template.fix_jinja_template(tokenizer)
# 4. ollama制作ModelFile的内容
template = get_template_and_fix_tokenizer(tokenizer, DataArguments(template=template_name))# template.get_ollama_modelfile(tokenizer)print("=" * 40)print(f"Template [{template_name}] 的 Modelfile 格式:")print("=" * 40)print(template.get_ollama_modelfile(tokenizer))

3、LMDeploy框架指定对话模版

https://lmdeploy.readthedocs.io/zh-cn/latest/advance/chat_template.html

LMDeploy支持json格式的对话模版,需要将jinja2格式的转成json格式。我们可以使用AI搜索来做。比如我们使用DeepSeek来转换。

打开https://chat.deepseek.com/  ,上传jinja2文件,并且输入文字: 


文件中是一个jinja2格式的qwen的对话模版,我需要转成lmdeploy框架支持的的json格式的对话模版,json模版格式如下:{    "model_name""your awesome chat template name",    "system""<|im_start|>system\n",    "meta_instruction""You are a robot developed by LMDeploy.",    "eosys""<|im_end|>\n",    "user""<|im_start|>user\n",    "eoh""<|im_end|>\n",    "assistant""<|im_start|>assistant\n",    "eoa""<|im_end|>",    "separator""\n",    "capability""chat",    "stop_words": ["<|im_end|>"]}

返回结果:

{    "model_name": "qwen",    "system": "<|im_start|>system\n",    "meta_instruction": "You are Qwen, created by Alibaba Cloud. You are a helpful assistant.",    "eosys": "<|im_end|>\n",    "user": "<|im_start|>user\n",    "eoh": "<|im_end|>\n",    "assistant": "<|im_start|>assistant\n",    "eoa": "<|im_end|>",    "separator": "\n",    "capability": "chat",    "stop_words": ["<|im_end|>", "</tool_call>", "<|im_start|>", "<|im_end|>\n"],    "tool_spec": {        "tool_call_start": "<tool_call>",        "tool_call_end": "</tool_call>",        "tool_response_start": "<tool_response>",        "tool_response_end": "</tool_response>"    }}

字段说明:

  • system/eosys:对应系统消息的开始和结束标记。

  • user/eoh:用户消息的起止标记。

  • assistant/eoa:助理消息的起止标记。

  • meta_instruction:使用原模板中的默认系统提示。

  • separator:消息间的换行符(\n)。

  • stop_words:添加 <|im_end|> 和其他可能的终止标记(如工具调用相关标签)。

工具调用扩展:

虽然 LMDeploy 基础模板不直接支持工具调用,但通过 tool_spec 字段扩展了工具调用的起止标记,以兼容原模板中的 <tool_call> 和 <tool_response> 逻辑。 


53AI,企业落地大模型首选服务商

产品:场景落地咨询+大模型应用平台+行业解决方案

承诺:免费场景POC验证,效果验证后签署服务协议。零风险落地应用大模型,已交付160+中大型企业

联系我们

售前咨询
186 6662 7370
预约演示
185 8882 0121

微信扫码

添加专属顾问

回到顶部

加载中...

扫码咨询