SFT 教模型怎么答偏好对齐教模型哪个答更好。效果已经能用、但语气、安全、啰嗦程度不满意时再在 SFT 基础上做 DPO 等对齐。多卡训练在两张 GPU 以上时通常自动分布式单卡 LoRA 训七 B 以下多数够用。进阶能力包括多模态、继续预训练、Agent、长上下文等用到再查 examples 即可。把 SFT 闭环走熟比收集所有进阶名词更重要。一、什么时候需要「对齐」监督微调解决的是「会不会按指令回答」。它不解决「多个回答里哪个更好」。如果你已经有一个能用的 SFT 模型但仍然观察到回答普遍太长太啰嗦不该答的问题也瞎答两种说法里总选更差的那个——这时可以在 SFT 之后做偏好对齐。LLaMA Factory 支持 DPO、ORPO、KTO 等阶段yaml 里改 stage 即可。建议始终先有一个还行的 SFT 模型再对齐。跳过 SFT 直接对齐就像没学会走路就开始练跑步姿势根基不稳。二、DPO最常听到的一种对齐方式DPO 的直觉很好理解给模型看「好回答」和「差回答」的对比让它学会偏向好的那个。不需要单独训练奖励模型流程比经典 RLHF 短。数据格式与 SFT 不同需要成对偏好样本在 dataset_info.json 里设 ranking: true。示例配置可在 examples/train_lora/ 下搜索 dpo 相关 yaml。典型写法是在 SFT 模型基础上继续训stage 设为 dpomodel_name_or_path 指向 SFT 产出目录dataset 指向偏好数据。对齐训练的 epoch 不宜多一到三个 epoch 常见过多可能变啰嗦或过度拒答。三、其他对齐方式知道名字即可ORPO 试图把 SFT 和对齐合成一步省流程。KTO 只需标注好或坏不要求严格成对。PPO 加 RM 是经典 RLHF 路线流程长工业界仍有使用但对入门者不是首选。从「能部署」到「更好用」SFT 往往已经覆盖八成需求。产品对语气、安全、拒答策略要求更高时再叠加 DPO 或 ORPO。四、多卡训练你需要吗一张 GPULoRA七 B 以下模型单卡在多数场景够用。一张卡 OOM先按第五篇做 QLoRA 和 batch 调整再加卡。两张以上 GPU直接 llamafactory-cli train框架检测到多卡后通常自动分布式不必手写 torchrun。七十 B 级别需要 DeepSpeed 或 FSDP 配置可参考 examples 里带 deepspeed 的 yaml 和 examples/extras/fsdp_qlora/。加卡之前先问瓶颈真的是算力吗还是数据、评估、迭代节奏很多团队过早上多卡问题却在数据质量。五、其他进阶能力按需查阅多模态微调用于 LLaVA、Qwen-VL 等图文模型。继续预训练 stage: pt用于有大量领域纯文本、想先灌知识再 SFT。Agent 和工具调用数据用 ShareGPT 格式并带 tools 字段。长上下文加大 cutoff_len 并配合 rope_scaling 等。Benchmark 评测 MMLU、C-Eval用于和其他模型比分数。这些能力在 examples/README_zh.md 都有索引。用到再查不必一次学完。学习路径应该是螺旋上升不是横向铺名词。六、关于 v1 新框架项目里有 src/llamafactory/v1/ 和 examples/v1/代表新一代训练架构YAML 风格和启动方式与经典路径略有不同有时需要 USE_V11 等环境变量。经典路径——本文八篇所基于的 train 加 yaml——仍是当前最稳妥的上手方式。等主路走通、确有需求再迁移 v1。七、八篇笔记的回顾第一篇建立认知LLaMA Factory 能做什么。第二篇动手跑通官方示例。第三篇认清项目结构和 yaml。第四篇准备数据和 template。第五篇用 LoRA 解决显存。第六篇认真做 SFT 和迭代。第七篇导出、合并、部署。第八篇在需要时进入对齐和多卡。官方文档在 llamafactory.readthedocs.io数据格式见 data/README_zh.md示例索引见 examples/README_zh.md安装和报错问题可参考 GitHub Issues 中的常见问题汇总。论文《LlamaFactory: Unified Efficient Fine-Tuning of 100 Language Models》适合想建立系统认知时阅读。八、最后一句话把 SFT 闭环走熟比收集所有进阶名词重要。对齐、多卡、多模态都是在你证明「微调确实解决了业务问题」之后的加分项。到这一步你已经不是「会用工具的人」而是「能迭代模型的人」了。