LLaMA-Factory 用着不顺？逐项排查表
在「本地与开源」类工具里，LLaMA-Factory 的定位是：支持多种模型的一站式开源微调框架。
下面按「现象 → 可能原因 → 处理办法」整理常见问题。
排查表
| 现象 | 处理办法 |
|---|---|
| 显存不足无法加载 | 换用更小的模型或更低的量化等级，或启用 CPU 卸载。 |
| 生成速度很慢 | 检查是否使用了 GPU 加速，减少上下文长度。 |
| 中文效果不理想 | 优先选择中文训练数据充足的模型。 |
| 服务对外暴露有风险 | 只监听内网地址，加认证和反向代理。 |
| 升级后不兼容 | 固定版本号，升级前在测试环境验证。 |
通用排查顺序
- 确认账号、额度和网络状态正常。
- 用一份简单材料复现问题，排除材料本身的干扰。
- 检查设置是否被改动（模型、语言、格式等）
- 查看官方状态页或更新日志。
- 仍无法解决时整理复现步骤联系官方支持。
用标准任务做对照测试
私有知识问答
适用情况：手头有一批不能上传云端的内部文档时。
在本地搭建问答：本地模型负责回答，文档向量化存储在本机，回答时注明出处段落，断网情况下验证仍可使用。
检查点：断网可用。
补充练习
小规模微调
适用情况：手头有几百条高质量问答数据时。
用这批数据做一次 LoRA 微调：划分训练集和验证集，记录训练参数，微调前后用同一批问题对比效果。
交付前确认：有前后对比。
接入现有应用
准备材料：一个已有的业务系统。
通过兼容 OpenAI 格式的接口把本地服务接入现有系统，设置超时和并发上限，先在测试环境跑通。
交付前确认：超时与并发有限制。
团队共享服务
输入：一台团队共用的服务器。
把服务部署为团队共享：设置访问认证、按用户记录调用日志、限制单用户并发，并写一份使用说明。
验收标准：开启了访问认证。
常见问题：中文效果不理想
优先选择中文训练数据充足的模型。
常见问题：服务对外暴露有风险
只监听内网地址，加认证和反向代理。
常见问题：显存不足无法加载
换用更小的模型或更低的量化等级，或启用 CPU 卸载。
概念补充：推理框架
负责加载模型并高效生成结果的软件。
概念补充：量化
降低模型参数精度以减少显存占用，可能影响效果。
适合人群：数据分析师
数据分析师可以用 LLaMA-Factory 处理取数与 SQL、清洗与可视化等工作。需要注意：确认指标口径，敏感数据脱敏后再交给 AI 处理。
适合人群：医疗机构行政人员
医疗机构行政人员可以用 LLaMA-Factory 处理文书整理、患者沟通材料等工作。需要注意：AI 不得替代医生诊断，患者信息必须按法规保护。
适合人群：科研人员
科研人员可以用 LLaMA-Factory 处理文献检索与阅读、实验记录与数据整理等工作。需要注意：遵守期刊和机构关于 AI 使用的披露要求，引用逐条核对。
写在最后
所有示例输出均为示意，不代表真实统计或效果承诺；请以自己的测试结果为准。
涉及个人信息、商业机密或受监管数据时，先确认 LLaMA-Factory 的数据处理条款，再决定能否使用。