1. 按照官方教程，最好先创建虚拟环境再安装依赖，使用python3.10。

2. 单纯按照官方教程在运行时会报"Processor was not found, please check and update your model file."的错误，原因是没有安装transformers。qwen在huggingface中指定的transformers版本可能不对，比如qwen3-vl指定的transformers=4.57.0，如果你安装的python版本是3.10，这个版本的transformers就会被LLaMA-Factory禁用。解决方法是安装稍微高一点的兼容版本，如transformers=4.57.1，python版本维持3.10不要改。

3. 数据集格式，这里展示qwen-vl常用的一种带图片的数据格式。在LLaMA-Factory/data/下，创建自己的数据json文件，内容示例如下，第一条数据是格式内容说明，第二条数据是一个具体的例子。其中图片可以放在任何位置，只要路径正确就行。

假设以上数据文件命名为example_data.json，则创建完成后，需要在同一文件夹即LLaMA-Factory/data/下找到dataset_info.json，这是总体的数据集说明文件，需要在其中添加自己的数据集说明，以以上的example_data.json为例，需要写入dataset_info.json的内容如下。完成上述步骤中，LLaMA-Factory才能检测到并使用你的数据集。

4. 推荐使用UI模式，在终端通过"llamafactory-cli webui"打开，有些服务器配置了转发端口，可以直接将这个UI界面显示到本地且能正常地使用，可以先尝试一下，实在不行再使用纯终端。

5. 模型权重最好自己从modelscope下载到服务器，并指定模型路径到权重文件，因为LLaMA-Factory有极大概率无法在线加载权重且速度非常慢。

6. 如果使用服务器，特别是使用UI界面来训练，记得在启动UI前先在终端运行"export CUDA_VISIBLE_DEVICES=?,?"，问号处填可用gpu的序号，否则LLaMA-Factory不会自动使用GPU来跑；如果你选择在终端执行训练命令而不是在UI界面，则可以在训练命令前添加"CUDA_VISIBLE_DEVICES=?,?"。

7. 在正式开始训练之前，建议先用"Chat"模式测试模型是否能加载成功、模型是否有使用GPU（从推理速度、显卡内存检测可以判断）

8. 对训练命令中的部分参数进行说明如下，测试命令也比较相似。

CUDA_VISIBLE_DEVICES=?,? llamafactory-cli train \
    --...
    --model_name_or_path 模型权重路径 \
    --...
    --dataset_dir data \
    --dataset 你的数据集名字如example_data \
    --...
    --save_steps 保存步数的间隔 \
    --...
    --output_dir 输出结果的保存路径，包括日志和损失曲线图 \
    --...