LLaMA-Factory SFT微调避坑指南你的checkpoint真的能用吗当你沉浸在LLaMA-Factory的SFT微调过程中突然遇到GPU宕机或进程卡死那种感觉就像跑马拉松时被人绊了一跤。更糟的是日志里没有任何报错信息只有显存占用告诉你事情没那么简单。这时候断点恢复训练就成了救命稻草——但你真的确定恢复后的模型和中断前一模一样吗1. 检查点完整性的深度验证1.1 文件结构验证一个完整的checkpoint应该包含以下核心文件以LoRA微调为例checkpoint-300/ ├── adapter_config.json ├── adapter_model.bin ├── optimizer.pt ├── rng_state.pth ├── scheduler.pt ├── trainer_state.json └── training_args.bin关键验证步骤使用ls -lh检查各文件大小是否合理特别是.bin文件不应为0字节用jq工具快速检查JSON文件的完整性jq empty trainer_state.json 21 || echo JSON文件损坏1.2 训练状态连续性验证打开trainer_state.json重点关注这些字段{ epoch: 0.334, global_step: 300, log_history: [...], best_metric: null }典型问题场景global_step与checkpoint编号不匹配如checkpoint-300但global_step显示250epoch值出现跳跃如前一个checkpoint是0.25恢复后变成1.02. 训练曲线衔接性分析2.1 损失曲线平滑度检测使用plot_loss参数生成的loss曲线应该满足[理想情况] 训练中断点 ——→ 恢复训练点 ↘ 平滑衔接斜率连续 [异常情况] 训练中断点 ——→ 恢复训练点 ↗ 出现突变斜率不连续实操工具import pandas as pd import matplotlib.pyplot as plt log_df pd.read_json(trainer_log.jsonl, linesTrue) plt.plot(log_df[step], log_df[loss]) plt.axvline(x300, colorr, linestyle--) # 标记中断点 plt.show()2.2 学习率调度验证余弦退火调度在恢复时最容易出问题。检查scheduler.pt加载后的初始学习率是否与中断前最后一个记录值一致误差应1e-6。3. 高级恢复方案与排错3.1 自动恢复脚本增强版改进原始脚本增加完整性检查validate_checkpoint() { local ckpt$1 [ -f $ckpt/adapter_model.bin ] || return 1 [ -f $ckpt/trainer_state.json ] || return 1 jq -e .global_step $ckpt/trainer_state.json /dev/null 21 || return 1 return 0 } # 在原有脚本中加入 if validate_checkpoint ${save_path}/${resume_from_checkpoint}; then echo Checkpoint验证通过 else echo Checkpoint损坏无法恢复 2 exit 1 fi3.2 手动恢复的黄金法则当自动恢复失败时按这个顺序尝试降低精度如--fp16改为--bf16减少并行工作线程--preprocessing_num_workers 16→4禁用Flash Attention--flash_attn auto→--flash_attn False4. 模型性能验证策略4.1 快速推理测试恢复训练后立即运行测试from transformers import pipeline pipe pipeline(text-generation, modelresumed_model) test_input 解释量子纠缠 # 使用训练集中典型样本 output1 pipe(test_input) output2 pipe(test_input) # 两次结果应保持一致性4.2 隐空间相似度检测使用torch.allclose比较中断前后模型的隐藏层输出original_output original_model(**inputs).last_hidden_state resumed_output resumed_model(**inputs).last_hidden_state similarity torch.allclose(original_output, resumed_output, atol1e-5) print(f模型一致性: {similarity}) # 应为True在多次处理意外中断的项目中我发现最可靠的方案其实是预防——设置--save_steps 50更频繁的保存和--gradient_checkpointing True内存优化这比任何恢复技巧都管用。