本文将详细介绍如何使用LLaMA-Factory对本地自定义数据进行模型微调，并将微调后的模型导出为GGUF 格式，最终通过Ollama加载运行。整个流程适用于显存有限（如 8GB）的用户，兼顾实用性与可操作性。
一、环境准备
首先创建 Conda 虚拟环境并安装 LLaMA-Factory：
conda create -n llamafactory python=3.12 conda activate llamafactory git clone https://github.com/hiyouga/LLaMA-Factory.git cd LLaMA-Factory pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -e . pip install -i https://pypi.tuna.tsinghua.edu.cn/simple bitsandbytes💡 建议使用清华源加速依赖安装。
bitsandbytes是支持 4-bit 量化训练的关键库。
启动 WebUI：
llamafactory-cli webui此时可通过浏览器访问http://127.0.0.1:7860进入图形化界面。
二、准备自定义数据集
LLaMA-Factory 默认从项目根目录下的data/文件夹加载数据。假设你的路径为：
D:\GitHub\LLaMA-Factory\data将你的数据文件（例如test.json）放入该目录。数据格式应为标准指令微调格式，例如：
[ { "instruction": "识别并解释给定列表中的两个科学理论：细胞理论和日心说。", "input": "", "output": "细胞理论是生物科学的一个理论……" } ]编辑 dataset_info.json
在data/dataset_info.json中注册你的数据集。支持两种写法：
写法一（自动映射）：
{ "my_dataset": { "file_name": "test.json" } }此方式默认将"instruction"视为 prompt，"output"视为 response。
写法二（显式指定列名）：
{ "my_dataset_explicit": { "file_name": "test.json", "columns": { "prompt": "instruction", "response": "output" } } }保存后刷新 WebUI，即可在“数据集”下拉菜单中看到my_dataset。
三、启动微调训练
在 WebUI 中配置以下关键参数：
•模型选择：推荐使用Qwen/Qwen3-1.7B（较小且适合微调）•量化方式：选择4-bit (q4)以降低显存占用•对话模板：若使用 Qwen3 的 thinking 模型，建议改用qwen3-nothink模板，避免思维链干扰微调效果•Offload 选项：若显存紧张但内存充足，可勾选 “使用 offload”，利用 CPU 辅助训练（速度较慢但可行）
点击“开始训练”，等待完成。
这时候以qwen3:1.7B-thinking为例，q4量化，显存占用在6-7G左右：
训练完成后会出现成功提示。
这时候在网页中点击加载模型，就可以对话了，如下图所示：
四、导出微调模型
训练完成后，在 WebUI 的“模型导出”页面：
1.检查点路径：选择刚刚生成的微调模型目录（如output/checkpoint-xxx）2.输出目录：设为output（或自定义路径）3.模型类型：务必选择auto，以确保后续能使用 GPU 推理
具体配置参考下图：
导出成功后，会有如下提示：
output/目录将包含如下文件：
added_tokens.json chat_template.jinja config.json generation_config.json model.safetensors tokenizer.json tokenizer_config.json vocab.json ...这些是标准的 Hugging Face 格式模型文件。
五、转换为 GGUF 格式（用于 Ollama）
注意，下面的演示步骤过于简略，这样导入到ollama中之后的运行效果其实不如直接在llamafactory的webui中网页运行的效果。
为在 Ollama 中运行，需将模型转为 GGUF 格式。建议使用独立 Python 环境避免依赖冲突：
# 克隆 llama.cpp git clone https://github.com/ggerganov/llama.cpp.git # 安装转换依赖（建议新建虚拟环境） python -m venv gguf_env source gguf_env/bin/activate # Windows: gguf_env\Scripts\activate pip install -r llama.cpp/requirements.txt执行转换命令（以 q8_0 精度为例）：
python llama.cpp/convert_hf_to_gguf.py \ /path/to/LLaMA-Factory/output \ --outfile mymodel.gguf \ --outtype q8_0✅
q8_0精度较高，适合推理；若需更小体积，可选q4_k_m或q5_k_m。
转换成功后，当前目录将生成mymodel.gguf。
六、通过 Ollama 加载运行
在模型所在目录（如output/）创建 Modelfile：
nano tmpmodelfile内容如下：
FROM ./mymodel.gguf然后创建 Ollama 模型：
ollama create mymodel -f tmpmodelfile成功提示：
gathering model components copying file sha256:... 100% parsing GGUF using existing layer ... writing manifest success最后运行模型：
ollama run mymodel现在就可以与自己微调过的模型对话了！
注意事项
•显存不足优先尝试 1.7B 或 2B 的 Qwen 模型 + 4-bit 量化。•训练慢可关闭gradient_checkpointing或减少per_device_train_batch_size。•效果不佳确保数据质量高、指令清晰，建议至少准备 100 条以上样本。•Ollama 无法导入则要确保 GGUF 文件完整，且 Modelfile 路径正确。
通过以上步骤，就以完成数据准备 → 微调训练 → 模型导出 → GGUF 转换 → Ollama 部署的全流程，打造属于自己的专属语言模型！
想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！
👇👇扫码免费领取全部内容👇👇
一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势
想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：
1. 100+本大模型方向电子书
2. 26 份行业研究报告：覆盖多领域实践与趋势
报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：
- 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
- 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
- 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
- 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。
3. 600+套技术大会 PPT：听行业大咖讲实战
PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：
- 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
- 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
- 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
- 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。
二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走
想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！
1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位
面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：
2. 102 道 AI 大模型真题：直击大模型核心考点
针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：
3. 97 道 LLMs 真题：聚焦大型语言模型高频问题
专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：
![]()
三、路线必明： AI 大模型学习路线图，1 张图理清核心内容
刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！
路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。
L1阶段:启航篇丨极速破界AI新时代
L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。
L2阶段：攻坚篇丨RAG开发实战工坊
L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。
L3阶段：跃迁篇丨Agent智能体架构设计
L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。
L4阶段：精进篇丨模型微调与私有化部署
L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。
L5阶段：专题集丨特训篇 【录播课】
![]()
四、资料领取：全套内容免费抱走，学 AI 不用再找第二份
不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：
👇👇扫码免费领取全部内容👇👇
2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！
