用云主机做 LoRA 微调：最小可用配置与跑通顺序

想给一个 7B 模型做业务微调，第一件事不是打开控制台选卡，是确认我到底要微调什么。这件事我拖了两周才想清楚，导致中间租了三次不该租的机器。

先说结论，因为大部分人卡在这一步：

一张 24GB 显存的卡，量化到 4bit，跑 7B 的 LoRA，是可行的最小配置。 下面是我实际走通的顺序，以及每一步的判断依据。

先算显存，而不是先挑卡

LoRA 的显存账跟全参微调不是一个数量级，值得先讲明白。

全参微调要存权重、梯度、优化器状态，7B 大约 112GB 起。LoRA 只训练注入的低秩矩阵，原始权重冻结：

权重：4bit 量化后约 3.5GB 到 4GB
LoRA 参数：rank=16 时百万级，梯度与优化器状态可以忽略
激活值：这是真正的大头，随序列长度和 batch 涨

激活值为什么是大头？因为每层的中间结果都得留着等反向传播。序列长度从 512 提到 2048，激活值大致是四倍关系。梯度检查点（gradient checkpointing）能砍掉大半，代价是慢 20% 到 30%。

我的实际数字：24GB 卡，序列长度 1024，per-device batch 1，梯度累积 8，跑 QLoRA 占 21GB 左右。换成 48GB 卡只是宽裕一点，训练速度差别很小——瓶颈早就不在显存而在算力了。

这里有个反直觉的结论：卡更大不等于训练更快。 我第一次租了 80GB 的卡，以为能开更大 batch 提速，结果数据只有两千条，batch 开大反而梯度噪声大、效果变差，每个 step 还被拉长。多出来的显存全成了闲置。

选卡：只看三件事

显存够不够 24GB。低于这个数，要么换更小的基座（1.5B / 3B），要么把序列长度压到 512。
卡上有没有一张空闲的、驱动版本对的。同一台物理机上如果已经有别的任务占着，选"整卡独占"也没用。
磁盘：权重 + 数据集 + checkpoint，一张 7B 的 4bit 量化权重不到 4GB，但加上原始权重要下载（十几 GB），磁盘留够 100GB 以上。

我这次用的是一张 24GB 的 A 系列卡，跑下来没有遇到带宽瓶颈，所以没有动力上更贵的卡。

数据：这一步最容易白干

我的第一个版本，数据是直接从业务库里导出的问答对，转成 JSON 之后就开始训。训完一测，格式全乱。

问题出在对话模板上。自回归模型的微调不是"给一对问答"就行的，输入得按基座模型自己的 chat 模板拼好，带上正确的角色标记和结束符。模板错了，模型学到的就是"另一种格式的问答"，而评测脚本用的是另一种格式，看起来像模型没学会，其实是格式没对齐。

改对模板之后，同样的数据、同样步数，效果差别巨大。

数据量上，两千条结构化样本就够了。LoRA 的样本效率很高，数据质量比数量重要得多——清掉重复样本、把超长的截断到 1024 token 之后，效果比原始数据还略好。

我的数据文件长这样：

{"messages": [
  {"role": "system", "content": "你是一个技术支持助手"},
  {"role": "user", "content": "客户说连不上数据库"},
  {"role": "assistant", "content": "请确认数据库服务是否已启动..."}
]}

用 messages 而不是 instruction/input/output 这种自定义字段，是因为主流微调框架（PEFT / TRL / LLaMA-Factory）都原生认这个结构，少一层转换就少一层出错机会。

跑通顺序：先冒烟，再正式

我第一次直接上全量数据、全量步数跑，中途才发现显存不够，白等了两个小时。

现在的顺序固定：

第一步，冒烟测试。 用 20 条样本、跑 5 步、max_length 设 256。目的只有一个：确认环境、模板、显存不炸，几分钟就结束。

第二步，看 loss 曲线。 冒烟通过后跑 200 步，看 loss 是不是在下降。如果 loss 一开始就是平的甚至上升，不要往下走，八成是模板或数据格式问题，不是超参问题。

第三步，全量训练。

我的 LoRA 配置长这样：

# lora.yaml
model_name_or_path: <基座模型路径>
dataset_path: ./data/train.jsonl
output_dir: ./out

# 量化：4bit 是 24GB 卡能跑 7B 的前提
load_in_4bit: true
bnb_4bit_quant_type: nf4
bnb_4bit_compute_dtype: bfloat16
bnb_4bit_use_double_quant: true

# LoRA 本身
lora_r: 16
lora_alpha: 32
lora_dropout: 0.05
lora_target_modules: q_proj,k_proj,v_proj,o_proj,gate_proj,up_proj,down_proj

# 训练
per_device_train_batch_size: 1
gradient_accumulation_steps: 8
gradient_checkpointing: true
num_train_epochs: 3
learning_rate: 0.0002
lr_scheduler_type: cosine
warmup_ratio: 0.03
bf16: true
logging_steps: 10
save_steps: 100
save_total_limit: 3

几个参数的取值逻辑：

lora_target_modules 选全了七种投影，比只选 q/v 效果好一些，显存多一点但可接受。
lora_alpha 通常取 r 的两倍，实际效果上等价于缩放学习率。
learning_rate 用 2e-4 配 cosine 衰减，在两千条样本这个量级上比较稳。
save_total_limit: 3 很重要。checkpoint 每个都存一整套 adapter，多了硬盘会满，而且选的时候容易拿错。

三个我真踩过的坑

bf16 不被支持。 老显卡不支持 bf16 时，训练会直接报"数值类型不支持"。我当时的解法是改成 fp16，但 fp16 更容易 loss 变成 NaN。后来加了一句判断：

import torch
if not torch.cuda.is_bf16_supported():
    # 老卡退回 fp16，并把 loss scale 调小
    pass

显存不够的报错出现在第一步而不是第几步。 我以为是跑久了碎片化，其实不是——是 save_steps 触发保存时，模型和优化器状态要额外占一份。把 save_total_limit 调小，或用 save_strategy: "epoch" 就能避开。

训练时别关掉日志。 有一次我为了省终端输出把 logging_steps 设成 100，结果 loss 曲线是空的，训完才发现第 30 步就 NaN 了，白跑一整晚。日志落盘到文件，不占屏幕。

训完之后

adapter 本身很小，几十到几百 MB，存对象存储或拉回本地都行。但基座模型必须在评测环境里也存在，只拷 adapter 跑不起来——这是每次给同事部署都要解释一遍的事。

我现在的做法是把基座模型、adapter、chat 模板三者打成一个目录，模板一起带上，避免版本错位：

# 合并后导出，推理端只认一个目录
merge_lora.py \
  --base <基座模型路径> \
  --adapter ./out \
  --output ./merged

# 别忘了把模板文件一起拷过去
cp chat_template.json ./merged/

然后在 24GB 卡上起推理服务验证：加载 merged 目录，跑几条业务里的真实问法，看是不是按格式回答。

收尾

跑通一次完整流程，机器时长大概三小时，真正训练不到四十分钟，其余都在下载、装环境、排查格式。工程时间比算力时间贵得多，这句话在微调上体现得特别明显。

最后照例提醒：卡型、显存和上面那些估算的关系是结构性的，可以放心照着估；但具体套餐给什么规格、单小时什么价位，各家调整得比模型版本还快，以官方页面为准。