- 查找 nvidia-smi → 找到 /usr/local/nvidia/bin/nvidia-smi
- 添加到 PATH → export PATH="/usr/local/nvidia/bin:$PATH"
- 查找 CUDA 库 → 找到 /usr/local/nvidia/lib64
- 设置 LD_LIBRARY_PATH → export LD_LIBRARY_PATH="/usr/local/nvidia/lib64:$LD_LIBRARY_PATH"
- 设置 CUDA_HOME → export CUDA_HOME="/usr/local/cuda"
功能总结
1. 导出缓存数据集（cached_dataset.py）
作用：将预处理后的数据集保存为缓存格式，避免训练时重复 tokenize。
MS-SWIFT 数据缓存机制详解
1. 总体缓存架构
MS-SWIFT 的数据缓存分为三个层次:
- 数据预处理缓存 (HuggingFace Datasets Arrow格式)
- Packing数据缓存 (Megatron模式专用)
- 媒体资源缓存 (图片/视频等多模态数据)
LlamaFactory 通过继承 transformers 的 Seq2SeqTrainingArguments 来获得完整的训练参数，无需单独定义。因此，你可以直接在 YAML 配置文件中添加 save_total_limit 参数，它会自动被识别和使用。
具体使用方式
在 YAML 配置文件中设置如下参数：
yaml展开代码save_steps: 500
save_strategy: steps
save_total_limit: 3 # 最多只保留最近的3个检查点
参数说明
| 参数 | 说明 |
|---|---|
save_total_limit | 设置保留的检查点文件的最大数量。旧的检查点会被自动删除。 |
save_steps | 每隔多少步训练保存一次检查点。 |
save_strategy | 检查点的保存策略。可选 "steps" (按步数保存)、"epoch" (按轮次保存) 或 "no" (不保存)。 |
save_only_model | 如果为 True，则只保存模型权重，不保存优化器状态，以节省空间。 |
load_best_model_at_end | 如果为 True，训练结束时自动加载效果最佳的模型。开启后，最佳模型不会被 save_total_limit 删除。 |
工作流程
- 你的配置文件会由
HfArgumentParser进行解析。 - 参数会传递给继承自
transformers.TrainingArguments的TrainingArguments类。 Trainer在训练过程中将根据这些设置自动管理检查点的保存和删除。
注意事项
- 当同时启用
load_best_model_at_end时，最佳的模型检查点会被额外保留，不计入save_total_limit的限制。 - 建议将
save_strategy设置为"steps"以配合save_steps使用，实现定期的检查点保存。
根据代码分析，LlamaFactory 支持两种使用 SwanLab 的方式：
方式 1：使用 use_swanlab (推荐)
这是 LlamaFactory 原生支持的方式，配置参数定义在 SwanLabArguments 类中 (src/llamafactory/hparams/finetuning_args.py:404-440):
yaml展开代码### SwanLab 配置
use_swanlab: true
swanlab_project: run-qwen3vl8b-mmdu-1009
swanlab_mode: cloud # 或 local
swanlab_api_key: pM7Xvs5OS2EeXPO5gKXfJ # 建议通过环境变量设置
swanlab_run_name: my_experiment # 可选：实验名称
swanlab_workspace: my_workspace # 可选：工作空间
swanlab_logdir: ./swanlab_logs # 可选：本地日志目录
