CYBER-VISION零号协议一键部署后的模型微调实战教程刚把CYBER-VISION零号协议部署好看着它跑起来是不是觉得挺酷的但你可能也发现了它虽然强大但有时候回答的问题不够“对口”或者在某些专业领域表现得像个门外汉。这很正常因为通用模型就像个博学的通才但要让它在你的具体业务里成为专家就得给它“开小灶”——也就是模型微调。今天咱们就来聊聊怎么给这个已经部署好的模型做一次“私人订制”。我会手把手带你走一遍从数据准备到训练完成的整个流程用最简单的话把那些听起来高大上的概念讲明白比如LoRA、QLoRA还有怎么在星图GPU平台上高效地训练。放心整个过程就像跟着菜谱学做菜一步步来你也能搞定。1. 微调前先想清楚要做什么在动手准备数据和代码之前最关键的一步是明确目标。漫无目的地微调就像没有导航开车很容易白费功夫。1.1 确定你的微调目标微调不是为了让模型变得更“聪明”而是让它变得更“专一”。你可以从下面几个常见方向里选一个风格对齐让模型学会用你喜欢的语气说话。比如你想让它生成的文案更活泼、更年轻化或者更严谨、更学术化。知识注入教给模型一些它原本不知道的领域知识。比如你公司内部的产品手册、行业特有的术语解释、最新的技术文档等。任务精炼让模型在特定任务上表现得更出色。比如专门优化它写SQL查询语句、生成产品需求文档、或者进行代码审查的能力。我的建议是先从一个小而具体的目标开始。比如“让模型能根据我们公司的产品名称和简短描述生成风格统一的电商详情页文案”。目标越明确后续的数据准备和效果评估就越容易。1.2 理解高效微调LoRA与QLoRA你可能听说过“全参数微调”就是调整模型所有的“神经元”连接。这效果最好但对电脑配置要求极高动不动就需要好几张顶级显卡成本太高。所以我们得用更聪明的方法。这里重点介绍两种目前最流行的高效微调技术你可以把它们理解为给模型“打补丁”LoRA低秩适应想象一下一个庞大的预训练模型已经学会了海量知识它的参数矩阵非常巨大。LoRA的思路是我们不直接改动这个巨大的原始矩阵而是训练两个很小的“补丁”矩阵把它们乘在一起再加到原始矩阵上。训练时只更新这两个小矩阵的参数原始大模型的参数被“冻结”不动。这样一来需要训练的参数量可能只有原来的0.1%显存占用和训练速度都得到了极大优化。QLoRA量化LoRA这是LoRA的“超级省流”版本。它先对原始的大模型进行“量化”也就是用更低精度的数字比如4-bit来表示原本高精度比如16-bit的模型参数这能大幅减少模型加载时的显存占用。然后在这个量化后的模型上再应用LoRA进行微调。QLoRA让我们能在消费级显卡比如24GB显存的卡上微调数十亿参数的大模型堪称平民玩家的福音。对于CYBER-VISION零号协议这种规模的模型我强烈推荐从QLoRA开始尝试。它在效果损失极小的情况下极大地降低了硬件门槛是性价比最高的选择。2. 准备微调的“教材”数据篇模型微调就像教学生教材的质量直接决定学习效果。准备数据是微调过程中最耗时但也最重要的一环。2.1 数据格式与要求你需要把数据整理成模型能理解的“问答对”格式。通常一个样本看起来是这样的{ instruction: 请为以下手机生成一段吸引人的电商广告文案。, input: 产品名称幻影X1 手机。特点超薄设计续航两天1亿像素主摄。, output: 【薄出强大影随心动】幻影X1旗舰手机震撼来袭7.2mm至薄机身掌握未来手感颠覆性电池技术畅玩两天不断电。一亿像素大师影像系统捕捉每一刻清晰感动。你值得拥有更卓越的体验 }instruction (指令)告诉模型要完成什么任务。input (输入)任务的具体上下文或信息。有些简单任务可能不需要这个字段。output (输出)你期望模型生成的、理想的回答范例。数据量需要多少这没有绝对标准。对于风格对齐或简单任务精炼几百条高质量数据可能就有效果。对于复杂的知识注入可能需要数千甚至上万条。一个实用的原则是质量远大于数量。10条精心构造的样本胜过100条随意拼凑的数据。2.2 数据构造技巧与工具自己一条条写数据太累了这里有几个事半功倍的方法从现有内容提炼如果你有历史聊天记录、客服问答、产品文档可以从中提取出“问题-标准答案”对。利用大模型辅助生成你可以先用基础版的CYBER-VISION给它一些种子示例Seed Examples让它批量生成更多同类型的数据然后你再来审核和修正。这能快速扩充数据集。使用数据格式化工具像alpaca格式转换脚本这样的工具可以帮助你把不同格式的文本如纯文本对话、Markdown文档转换成标准的instruction-input-output格式。准备数据时记得把数据集分成三份训练集用于模型学习占80%以上、验证集用于训练过程中检查模型是否学偏了占10-15%、测试集用于最终评估模型效果绝对不要在训练中用到占5-10%。3. 开始动手配置与训练实战数据准备好了我们就可以进入核心的实战环节了。这里我会以使用PEFT库进行QLoRA微调为例带你走通流程。3.1 环境与依赖准备首先确保你的部署环境里有必要的Python包。打开终端执行pip install transformers datasets accelerate peft bitsandbytes scikit-learn -UtransformersHugging Face的核心库用于加载模型和分词器。datasets方便地加载和处理数据集。accelerate简化分布式训练。peft实现LoRA、QLoRA等高效微调方法。bitsandbytes提供模型量化功能是QLoRA的基础。scikit-learn用于分割数据集。3.2 编写训练脚本的核心步骤接下来创建一个Python脚本比如train_qlora.py我把关键步骤拆解如下# 1. 导入必要的库 from transformers import AutoModelForCausalLM, AutoTokenizer, TrainingArguments from peft import LoraConfig, get_peft_model, TaskType from datasets import load_dataset import torch # 2. 加载模型和分词器请替换为你的实际模型路径 model_name ./cyber-vision-zero # 你本地部署的模型目录 tokenizer AutoTokenizer.from_pretrained(model_name) model AutoModelForCausalLM.from_pretrained( model_name, load_in_4bitTrue, # 启用4-bit量化这是QLoRA的关键 device_mapauto, # 自动将模型层分配到可用的GPU上 torch_dtypetorch.float16 ) # 3. 配置LoRA参数 lora_config LoraConfig( task_typeTaskType.CAUSAL_LM, # 因果语言模型任务 r8, # LoRA的秩可以理解为“补丁”的大小通常8、16、32 lora_alpha32, # 缩放参数一般设为r的2-4倍 lora_dropout0.1, # 防止过拟合的Dropout率 target_modules[q_proj, v_proj] # 指定对模型中的哪些层打“补丁”通常是注意力层的查询和值矩阵 ) model get_peft_model(model, lora_config) # 将LoRA适配器应用到原模型 model.print_trainable_parameters() # 打印可训练参数会发现只占原模型的很小一部分 # 4. 加载并预处理数据集 dataset load_dataset(json, data_files{train: path/to/your_train.json}) def tokenize_function(examples): # 将instruction, input, output拼接成模型训练的文本格式 texts [fInstruction: {ins}\nInput: {inp}\nOutput: {out} for ins, inp, out in zip(examples[instruction], examples[input], examples[output])] return tokenizer(texts, truncationTrue, paddingmax_length, max_length512) tokenized_dataset dataset.map(tokenize_function, batchedTrue) # 5. 配置训练参数 training_args TrainingArguments( output_dir./cyber-vision-lora, # 训练输出目录 per_device_train_batch_size4, # 每张GPU的批次大小根据显存调整 gradient_accumulation_steps4, # 梯度累积步数模拟更大批次 num_train_epochs3, # 训练轮数 learning_rate2e-4, # 学习率LoRA常用1e-4到5e-4 fp16True, # 使用混合精度训练节省显存加速训练 logging_steps10, # 每10步记录一次日志 save_steps100, # 每100步保存一次检查点 evaluation_strategysteps, # 按步数在验证集上评估 eval_steps50, save_total_limit2, # 只保留最新的2个检查点 remove_unused_columnsFalse, ) # 6. 创建训练器并开始训练 from transformers import Trainer trainer Trainer( modelmodel, argstraining_args, train_datasettokenized_dataset[train], # eval_datasettokenized_dataset[validation], # 如果有验证集 tokenizertokenizer, ) trainer.train()参数调整小贴士per_device_train_batch_size如果训练时出现“CUDA out of memory”错误首先调小这个值。num_train_epochs通常3-5个epoch就足够了太多容易过拟合。learning_rateLoRA/QLoRA的学习率可以设得比全参数微调大一些2e-4是个不错的起点。3.3 在星图GPU平台上进行训练如果你本地显卡显存不够或者想更快地完成训练利用云平台的GPU是个好选择。以星图平台为例操作流程非常直观环境准备将你的训练脚本、数据集和模型文件或从平台仓库拉取打包。创建实例在星图平台选择带有高性能GPU如A100、V100的实例规格。QLoRA对显存要求友好一块显存足够的卡如24GB以上通常就够用。上传与运行通过JupyterLab或SSH连接到实例上传你的代码和数据。安装好依赖后直接用命令行运行你的训练脚本python train_qlora.py。监控与保存训练过程中可以通过日志观察损失loss下降情况。训练完成后保存好输出目录下的adapter_model.binLoRA权重文件和adapter_config.json配置文件。分布式训练如果你的数据集非常大想进一步缩短训练时间可以尝试在多卡上并行训练。accelerate库让这变得很简单。首先用accelerate config命令配置你的分布式环境然后在脚本中使用accelerate launch来启动训练即可。4. 模型测试与应用看看效果如何训练完成后我们得到了一个很小的LoRA权重文件通常只有几十MB。接下来就是加载它看看微调后的模型表现如何。4.1 加载与合并微调后的模型微调后的模型由“原版基础模型”“LoRA适配器”组成。使用时需要同时加载两者from transformers import AutoModelForCausalLM, AutoTokenizer from peft import PeftModel # 加载原模型和分词器 base_model AutoModelForCausalLM.from_pretrained(./cyber-vision-zero, device_mapauto, torch_dtypetorch.float16) tokenizer AutoTokenizer.from_pretrained(./cyber-vision-zero) # 加载训练好的LoRA权重 model PeftModel.from_pretrained(base_model, ./cyber-vision-lora) model model.merge_and_unload() # 将LoRA权重合并到原模型中方便后续推理 # 现在model就是你的定制化模型了可以像平常一样使用 input_text Instruction: 写一首关于春天的五言绝句。\nInput: \nOutput: inputs tokenizer(input_text, return_tensorspt).to(model.device) outputs model.generate(**inputs, max_new_tokens50) print(tokenizer.decode(outputs[0], skip_special_tokensTrue))4.2 效果评估与迭代怎么判断微调有没有成功呢不要只看一两个例子。定量评估用预留的测试集让微调前后的模型分别生成答案请领域专家或通过一些自动指标如BLEU、ROUGE对于文本生成任务进行打分对比。定性评估多找一些典型的、甚至是刁钻的用例人工对比查看生成结果。重点看是否解决了你最初设定的目标比如风格是否统一、专业知识是否准确。如果效果不理想别灰心这是常态。你可以检查数据是不是数据质量不高或者数量不够尝试清洗数据或增加高质量数据。调整参数适当增加训练轮数epochs或者微调学习率learning rate。调整LoRA配置尝试增大r秩的值或者将target_modules扩展到更多层如k_proj,o_proj。模型微调是一个需要耐心和多次迭代的“炼丹”过程。每次调整后用验证集评估找到最适合你任务的配置。5. 总结走完这一趟你会发现给CYBER-VISION零号协议做微调并没有想象中那么神秘和困难。核心就是三步想清楚目标、准备好高质量的“教材”、然后选择合适的“教学方法”QLoRA并耐心训练。整个过程最大的成本其实是时间和精力尤其是在数据准备和效果调优上。我个人的体会是第一次微调可能会遇到各种小问题比如环境报错、参数设置不当导致效果不好这都非常正常。关键是把整个流程跑通拿到第一个哪怕只有细微改进的模型这个经验比什么都宝贵。之后你就可以在此基础上针对更复杂的目标进行迭代了。最后想说的是微调后的模型是你的宝贵资产。记得妥善保存好基础模型和对应的LoRA权重文件它们共同构成了你的专属模型。希望这篇教程能帮你跨出模型定制化的第一步让你的CYBER-VISION真正为你所用。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
CYBER-VISION零号协议一键部署后的模型微调实战教程
CYBER-VISION零号协议一键部署后的模型微调实战教程刚把CYBER-VISION零号协议部署好看着它跑起来是不是觉得挺酷的但你可能也发现了它虽然强大但有时候回答的问题不够“对口”或者在某些专业领域表现得像个门外汉。这很正常因为通用模型就像个博学的通才但要让它在你的具体业务里成为专家就得给它“开小灶”——也就是模型微调。今天咱们就来聊聊怎么给这个已经部署好的模型做一次“私人订制”。我会手把手带你走一遍从数据准备到训练完成的整个流程用最简单的话把那些听起来高大上的概念讲明白比如LoRA、QLoRA还有怎么在星图GPU平台上高效地训练。放心整个过程就像跟着菜谱学做菜一步步来你也能搞定。1. 微调前先想清楚要做什么在动手准备数据和代码之前最关键的一步是明确目标。漫无目的地微调就像没有导航开车很容易白费功夫。1.1 确定你的微调目标微调不是为了让模型变得更“聪明”而是让它变得更“专一”。你可以从下面几个常见方向里选一个风格对齐让模型学会用你喜欢的语气说话。比如你想让它生成的文案更活泼、更年轻化或者更严谨、更学术化。知识注入教给模型一些它原本不知道的领域知识。比如你公司内部的产品手册、行业特有的术语解释、最新的技术文档等。任务精炼让模型在特定任务上表现得更出色。比如专门优化它写SQL查询语句、生成产品需求文档、或者进行代码审查的能力。我的建议是先从一个小而具体的目标开始。比如“让模型能根据我们公司的产品名称和简短描述生成风格统一的电商详情页文案”。目标越明确后续的数据准备和效果评估就越容易。1.2 理解高效微调LoRA与QLoRA你可能听说过“全参数微调”就是调整模型所有的“神经元”连接。这效果最好但对电脑配置要求极高动不动就需要好几张顶级显卡成本太高。所以我们得用更聪明的方法。这里重点介绍两种目前最流行的高效微调技术你可以把它们理解为给模型“打补丁”LoRA低秩适应想象一下一个庞大的预训练模型已经学会了海量知识它的参数矩阵非常巨大。LoRA的思路是我们不直接改动这个巨大的原始矩阵而是训练两个很小的“补丁”矩阵把它们乘在一起再加到原始矩阵上。训练时只更新这两个小矩阵的参数原始大模型的参数被“冻结”不动。这样一来需要训练的参数量可能只有原来的0.1%显存占用和训练速度都得到了极大优化。QLoRA量化LoRA这是LoRA的“超级省流”版本。它先对原始的大模型进行“量化”也就是用更低精度的数字比如4-bit来表示原本高精度比如16-bit的模型参数这能大幅减少模型加载时的显存占用。然后在这个量化后的模型上再应用LoRA进行微调。QLoRA让我们能在消费级显卡比如24GB显存的卡上微调数十亿参数的大模型堪称平民玩家的福音。对于CYBER-VISION零号协议这种规模的模型我强烈推荐从QLoRA开始尝试。它在效果损失极小的情况下极大地降低了硬件门槛是性价比最高的选择。2. 准备微调的“教材”数据篇模型微调就像教学生教材的质量直接决定学习效果。准备数据是微调过程中最耗时但也最重要的一环。2.1 数据格式与要求你需要把数据整理成模型能理解的“问答对”格式。通常一个样本看起来是这样的{ instruction: 请为以下手机生成一段吸引人的电商广告文案。, input: 产品名称幻影X1 手机。特点超薄设计续航两天1亿像素主摄。, output: 【薄出强大影随心动】幻影X1旗舰手机震撼来袭7.2mm至薄机身掌握未来手感颠覆性电池技术畅玩两天不断电。一亿像素大师影像系统捕捉每一刻清晰感动。你值得拥有更卓越的体验 }instruction (指令)告诉模型要完成什么任务。input (输入)任务的具体上下文或信息。有些简单任务可能不需要这个字段。output (输出)你期望模型生成的、理想的回答范例。数据量需要多少这没有绝对标准。对于风格对齐或简单任务精炼几百条高质量数据可能就有效果。对于复杂的知识注入可能需要数千甚至上万条。一个实用的原则是质量远大于数量。10条精心构造的样本胜过100条随意拼凑的数据。2.2 数据构造技巧与工具自己一条条写数据太累了这里有几个事半功倍的方法从现有内容提炼如果你有历史聊天记录、客服问答、产品文档可以从中提取出“问题-标准答案”对。利用大模型辅助生成你可以先用基础版的CYBER-VISION给它一些种子示例Seed Examples让它批量生成更多同类型的数据然后你再来审核和修正。这能快速扩充数据集。使用数据格式化工具像alpaca格式转换脚本这样的工具可以帮助你把不同格式的文本如纯文本对话、Markdown文档转换成标准的instruction-input-output格式。准备数据时记得把数据集分成三份训练集用于模型学习占80%以上、验证集用于训练过程中检查模型是否学偏了占10-15%、测试集用于最终评估模型效果绝对不要在训练中用到占5-10%。3. 开始动手配置与训练实战数据准备好了我们就可以进入核心的实战环节了。这里我会以使用PEFT库进行QLoRA微调为例带你走通流程。3.1 环境与依赖准备首先确保你的部署环境里有必要的Python包。打开终端执行pip install transformers datasets accelerate peft bitsandbytes scikit-learn -UtransformersHugging Face的核心库用于加载模型和分词器。datasets方便地加载和处理数据集。accelerate简化分布式训练。peft实现LoRA、QLoRA等高效微调方法。bitsandbytes提供模型量化功能是QLoRA的基础。scikit-learn用于分割数据集。3.2 编写训练脚本的核心步骤接下来创建一个Python脚本比如train_qlora.py我把关键步骤拆解如下# 1. 导入必要的库 from transformers import AutoModelForCausalLM, AutoTokenizer, TrainingArguments from peft import LoraConfig, get_peft_model, TaskType from datasets import load_dataset import torch # 2. 加载模型和分词器请替换为你的实际模型路径 model_name ./cyber-vision-zero # 你本地部署的模型目录 tokenizer AutoTokenizer.from_pretrained(model_name) model AutoModelForCausalLM.from_pretrained( model_name, load_in_4bitTrue, # 启用4-bit量化这是QLoRA的关键 device_mapauto, # 自动将模型层分配到可用的GPU上 torch_dtypetorch.float16 ) # 3. 配置LoRA参数 lora_config LoraConfig( task_typeTaskType.CAUSAL_LM, # 因果语言模型任务 r8, # LoRA的秩可以理解为“补丁”的大小通常8、16、32 lora_alpha32, # 缩放参数一般设为r的2-4倍 lora_dropout0.1, # 防止过拟合的Dropout率 target_modules[q_proj, v_proj] # 指定对模型中的哪些层打“补丁”通常是注意力层的查询和值矩阵 ) model get_peft_model(model, lora_config) # 将LoRA适配器应用到原模型 model.print_trainable_parameters() # 打印可训练参数会发现只占原模型的很小一部分 # 4. 加载并预处理数据集 dataset load_dataset(json, data_files{train: path/to/your_train.json}) def tokenize_function(examples): # 将instruction, input, output拼接成模型训练的文本格式 texts [fInstruction: {ins}\nInput: {inp}\nOutput: {out} for ins, inp, out in zip(examples[instruction], examples[input], examples[output])] return tokenizer(texts, truncationTrue, paddingmax_length, max_length512) tokenized_dataset dataset.map(tokenize_function, batchedTrue) # 5. 配置训练参数 training_args TrainingArguments( output_dir./cyber-vision-lora, # 训练输出目录 per_device_train_batch_size4, # 每张GPU的批次大小根据显存调整 gradient_accumulation_steps4, # 梯度累积步数模拟更大批次 num_train_epochs3, # 训练轮数 learning_rate2e-4, # 学习率LoRA常用1e-4到5e-4 fp16True, # 使用混合精度训练节省显存加速训练 logging_steps10, # 每10步记录一次日志 save_steps100, # 每100步保存一次检查点 evaluation_strategysteps, # 按步数在验证集上评估 eval_steps50, save_total_limit2, # 只保留最新的2个检查点 remove_unused_columnsFalse, ) # 6. 创建训练器并开始训练 from transformers import Trainer trainer Trainer( modelmodel, argstraining_args, train_datasettokenized_dataset[train], # eval_datasettokenized_dataset[validation], # 如果有验证集 tokenizertokenizer, ) trainer.train()参数调整小贴士per_device_train_batch_size如果训练时出现“CUDA out of memory”错误首先调小这个值。num_train_epochs通常3-5个epoch就足够了太多容易过拟合。learning_rateLoRA/QLoRA的学习率可以设得比全参数微调大一些2e-4是个不错的起点。3.3 在星图GPU平台上进行训练如果你本地显卡显存不够或者想更快地完成训练利用云平台的GPU是个好选择。以星图平台为例操作流程非常直观环境准备将你的训练脚本、数据集和模型文件或从平台仓库拉取打包。创建实例在星图平台选择带有高性能GPU如A100、V100的实例规格。QLoRA对显存要求友好一块显存足够的卡如24GB以上通常就够用。上传与运行通过JupyterLab或SSH连接到实例上传你的代码和数据。安装好依赖后直接用命令行运行你的训练脚本python train_qlora.py。监控与保存训练过程中可以通过日志观察损失loss下降情况。训练完成后保存好输出目录下的adapter_model.binLoRA权重文件和adapter_config.json配置文件。分布式训练如果你的数据集非常大想进一步缩短训练时间可以尝试在多卡上并行训练。accelerate库让这变得很简单。首先用accelerate config命令配置你的分布式环境然后在脚本中使用accelerate launch来启动训练即可。4. 模型测试与应用看看效果如何训练完成后我们得到了一个很小的LoRA权重文件通常只有几十MB。接下来就是加载它看看微调后的模型表现如何。4.1 加载与合并微调后的模型微调后的模型由“原版基础模型”“LoRA适配器”组成。使用时需要同时加载两者from transformers import AutoModelForCausalLM, AutoTokenizer from peft import PeftModel # 加载原模型和分词器 base_model AutoModelForCausalLM.from_pretrained(./cyber-vision-zero, device_mapauto, torch_dtypetorch.float16) tokenizer AutoTokenizer.from_pretrained(./cyber-vision-zero) # 加载训练好的LoRA权重 model PeftModel.from_pretrained(base_model, ./cyber-vision-lora) model model.merge_and_unload() # 将LoRA权重合并到原模型中方便后续推理 # 现在model就是你的定制化模型了可以像平常一样使用 input_text Instruction: 写一首关于春天的五言绝句。\nInput: \nOutput: inputs tokenizer(input_text, return_tensorspt).to(model.device) outputs model.generate(**inputs, max_new_tokens50) print(tokenizer.decode(outputs[0], skip_special_tokensTrue))4.2 效果评估与迭代怎么判断微调有没有成功呢不要只看一两个例子。定量评估用预留的测试集让微调前后的模型分别生成答案请领域专家或通过一些自动指标如BLEU、ROUGE对于文本生成任务进行打分对比。定性评估多找一些典型的、甚至是刁钻的用例人工对比查看生成结果。重点看是否解决了你最初设定的目标比如风格是否统一、专业知识是否准确。如果效果不理想别灰心这是常态。你可以检查数据是不是数据质量不高或者数量不够尝试清洗数据或增加高质量数据。调整参数适当增加训练轮数epochs或者微调学习率learning rate。调整LoRA配置尝试增大r秩的值或者将target_modules扩展到更多层如k_proj,o_proj。模型微调是一个需要耐心和多次迭代的“炼丹”过程。每次调整后用验证集评估找到最适合你任务的配置。5. 总结走完这一趟你会发现给CYBER-VISION零号协议做微调并没有想象中那么神秘和困难。核心就是三步想清楚目标、准备好高质量的“教材”、然后选择合适的“教学方法”QLoRA并耐心训练。整个过程最大的成本其实是时间和精力尤其是在数据准备和效果调优上。我个人的体会是第一次微调可能会遇到各种小问题比如环境报错、参数设置不当导致效果不好这都非常正常。关键是把整个流程跑通拿到第一个哪怕只有细微改进的模型这个经验比什么都宝贵。之后你就可以在此基础上针对更复杂的目标进行迭代了。最后想说的是微调后的模型是你的宝贵资产。记得妥善保存好基础模型和对应的LoRA权重文件它们共同构成了你的专属模型。希望这篇教程能帮你跨出模型定制化的第一步让你的CYBER-VISION真正为你所用。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
