千问LoRA高效微调：训练数据量多少最佳？
在你动手真正开始LoRA微调之前，有一件事必须先确认：硬件环境能不能跑得通？这个过程很简单，分三步走——检查显存、确认模型文件完整、跑一个最小推理测试。
首先，执行nvidia-smi，确认驱动支持CUDA≥12.1，且空闲显存不低于18GB。如果用的是RTX 3090、4090或者A10这类卡，显存最好是24GB以上，会更保险。第二步，进入模型目录跑一下ls -lh Qwen2.5-7B-Instruct/，看看config.json、model.safetensors、tokenizer.model这三个核心文件是不是都在。三个文件一个都不能少，缺了哪个都会报错。最后，别急，跑一个最小推理测试：CUDA_VISIBLE_DEVICES=0 swift infer --model Qwen2.5-7B-Instruct --model_type qwen --temperature 0 --max_new_tokens 128，然后输入“你好”。如果输出的第一句话不是“我是阿里云开发的……”，那就说明环境还有问题，别急着往下走。
确认硬件与基础模型能否跑通LoRA微调
显存不够或者CUDA版本不对，训练可能第一步就卡住了。所以，先验证硬件，再准备数据，这个顺序不能乱。执行nvidia-smi，确认驱动支持CUDA≥12.1、空闲显存≥18GB；如果用的是RTX 3090/4090/A10这类卡，显存≥24GB会更稳妥。进入模型目录，运行ls -lh Qwen2.5-7B-Instruct/，看看config.json、model.safetensors、tokenizer.model这三个核心文件是不是都存在——一个都不能少，缺了哪个后面都会报错。最后跑一次最小推理测试：CUDA_VISIBLE_DEVICES=0 swift infer --model Qwen2.5-7B-Instruct --model_type qwen --temperature 0 --max_new_tokens 128，输入“你好”，如果输出的第一句话不是“我是阿里云开发的……”，那说明环境还没就绪，不能继续往下走。
准备高质量LoRA训练数据
数据量从来不是关键，质量才是真正的命门。手头只有50条真实业务样本没关系，只要每一条都符合“指令明确、上下文真实、输出可执行”这三个标准，效果很可能超过2000条泛化数据。这就好比做饭，50颗精挑细选的白菜心，比两箩筐烂菜叶子强多了。拿法律场景举个例子，一条合格的样本应该是这样的：{"instruction": "将客户投诉记录按紧急程度分级并生成处理建议", "input": "客户反馈APP支付后订单状态未更新，已持续3小时，涉及金额¥2999", "output": "P0级(2小时内响应):系统支付状态同步异常类；立即回滚交易并人工补单，同步发送致歉信息"}。注意，千万别出现“请帮我写一段话”这种模糊指令，input不能为空，output里不能有模板占位符。清洗的时候，把带“（示例）”、“（待补充）”字样的行全部删掉，保留纯JSONL格式，没有注释、没有空行、中文逗号也不能代替英文逗号。
行业共识就一句话：50条能启动训练并观察loss下降趋势；200条可以让术语识别和风格迁移初见成效；500条以上才具备稳定泛化能力。如果只是做客服话术对齐，200条高质量样本已经够上线测试了；但如果是医疗报告生成，建议至少准备800条，覆盖常见病种和检查项组合。
配置并启动LoRA微调训练
方法一：使用swift命令行工具（推荐新手）
先装好依赖：pip install -U peft bitsandbytes transformers accelerate。然后创建配置文件lora_config.yaml，写入以下参数：lora_r: 8，lora_alpha: 16，target_modules: ["q_proj","v_proj"]，lora_dropout: 0.05，quantization_bit: 4。最后执行训练命令：swift train --dataset self_cognition.jsonl --model Qwen2.5-7B-Instruct --lora_config lora_config.yaml --learning_rate 2e-4 --num_train_epochs 3 --per_device_train_batch_size 2。这一步会自动开启4bit量化与梯度检查点，显存占用能压到8GB左右。
方法二：手动注入LoRA层（适合需要调试细节的用户）
直接在Python中加载模型后插入LoRA层：from peft import LoraConfig, get_peft_model，lora_config = LoraConfig(r=8, lora_alpha=16, target_modules=["q_proj","v_proj"], lora_dropout=0.05, task_type="CAUSAL_LM")，model = get_peft_model(model, lora_config)。这里有一个关键点：target_modules必须严格匹配Qwen2.5的注意力层命名，填错成“k_proj”或“o_proj”会导致LoRA完全不生效。不确定的话，用model.named_modules()打印一下验证。
验证微调效果是否达标
别等到训练全部跑完再测试，那就晚了。在第1个epoch结束的时候，用3条没有参与训练的测试样例跑一次推理。比如输入“请将以下SQL注入漏洞描述转为红队POC代码”，看看输出是不是真正的可执行Python脚本。如果输出还是那种通用的解释性文字，说明instruction字段设计得太宽，或者数据清洗不到位，必须立刻停训返工。训练完成后，再用5条新样本测试，重点看三个关键指标：学术术语是否准确（比如“WAF指纹”、“P0级响应”能不能正确复用），动词是否匹配（“生成”、“提取”、“转换”等指令是否触发了对应的动作），输出长度是否稳定（别出现突然截断或者无限续写的情况）。只要其中两项达标，就可以导出权重了。
执行swift export --ckpt_dir outputs/checkpoint-xxx --output_dir qwen-finetuned，会生成融合后的HF格式模型目录。这一步不可逆，导出之前务必确认测试通过。