模型回答不稳定：有一半是对的，有一半是无关的？
一般是因为训练时间太短，loss曲线未收敛；需要继续微调训练；
大模型回答与LLaMA Factory训练chat界面的不一致？
一般是因为对话模版chat_template不一致。
本文来讲解下对话模版不一致的情况的解决方法。
一、原因分析
1、LLaMA Factory在微调训练需要选择模型名称，自动带出对话模版，比如qwen。这个对话模版是LLaMA Factory项目根据qwen官方提供的对话模版改编，与大模型自身的对话模版并不相等。
2、LLaMA Factory的对话模版的源码在LLaMA-Factory/src/llamafactory/data/template.py这个类里。获取对话模版的方法（私有方法）_get_jinja_template ，可以用公共方法fix_jinja_template来调用该私有方法。
大模型的默认对话模版在 tokenizer_config.json里chat_template字段。
3、可以看到LLaMA Factory微调训练时的对话模版与大模型的默认对话模版并不相同。
二、解决方案
既然是因为两边不一致，那么只要保证两边一致即可。也就是模版对话对齐。
我们可以将LLaMA Factory中的模版修改掉，需要修改源码；也可以在vLLM、ollama或LMDeploy等推理框架在运行大模型时候手动指定对话模版。两种方法都可以，这里我们先使用后者来操作。
1、获取LLaMA Factory中的对话模版
在微调训练中，界面中选择大模型后，自定带出对话模版，记住名称，比如qwen 。
写一个python代码，获取对话模版，get_chat_template.py 。
# get_chat_template.pyimport sysimport os# 将项目根目录添加到 Python 路径root_dir = os.path.dirname(os.path.dirname(os.path.dirname(os.path.dirname(os.path.abspath(__file__)))))sys.path.append(root_dir)from llamafactory.data.template import TEMPLATESfrom transformers import AutoTokenizer# 1. 初始化分词器（任意支持的分词器均可）tokenizer = AutoTokenizer.from_pretrained("/root/autodl-tmp/llm/Qwen/Qwen2.5-0.5B-Instruct")# 2. 获取模板对象template_name = "qwen" # 替换为你需要查看的模板名称template = TEMPLATES[template_name]# 3. 修复分词器的 Jinja 模板template.fix_jinja_template(tokenizer)# 4. 直接输出模板的 Jinja 格式print("=" * 40)print(f"Template [{template_name}] 的 Jinja 格式:")print("=" * 40)print(tokenizer.chat_template)
需要修改2个地方，（1）初始化分词器，地址要写本地存在的大模型； （2）获取模版对象，template_name一定要写你微调界面上选择的对话模版名称，比如qwen 。
将该文件放在目录LLaMA-Factory/src/llamafactory/data下。
行该文件。
python get_chat_template.py
结果如下：
将内容复制，从====的下一行{% 开始复制。保存到一个文件中，格式为.jinja ,比如 qwen.jinja 。
2、vLLM运行大模型指定jinja文件
为了使语言模型支持聊天协议，vLLM 要求模型在其 tokenizer 配置中包含一个聊天模板。聊天模板是一个 Jinja2 模板，它指定了角色、消息和其他特定于聊天对 tokens 如何在输入中编码。
可以在 --chat-template 参数中手动指定聊天模板的文件路径或字符串形式。
vllm serve <model> --chat-template ./path-to-chat-template.jinja
比如：
vllm serve /root/autodl-tmp/llm/Qwen/Qwen2.5-0.5B-Instruct-merge --chat-template /root/autodl-tmp/project/day07/qwen.jinja
这样就可以保证对话模板一致了。
3、ollama创建ModelFile的内容
创建一个python文件，获取内容：get_ollama_modelfile.py
# mytest.pyimport sysimport os# 将项目根目录添加到 Python 路径root_dir = os.path.dirname(os.path.dirname(os.path.dirname(os.path.dirname(os.path.abspath(__file__)))))sys.path.append(root_dir)from llamafactory.data.template import TEMPLATES, get_template_and_fix_tokenizerfrom transformers import AutoTokenizerfrom llamafactory.hparams import DataArguments# 1. 初始化分词器（任意支持的分词器均可）tokenizer = AutoTokenizer.from_pretrained("/root/autodl-tmp/llm/Qwen/Qwen2.5-0.5B-Instruct")# 2. 获取模板对象template_name = "qwen" # 替换为你需要查看的模板名称template = TEMPLATES[template_name]# 3. 修复分词器的 Jinja 模板template.fix_jinja_template(tokenizer)# 4. ollama制作ModelFile的内容template = get_template_and_fix_tokenizer(tokenizer, DataArguments(template=template_name))# template.get_ollama_modelfile(tokenizer)print("=" * 40)print(f"Template [{template_name}] 的 Modelfile 格式:")print("=" * 40)print(template.get_ollama_modelfile(tokenizer))
3、LMDeploy框架指定对话模版
https://lmdeploy.readthedocs.io/zh-cn/latest/advance/chat_template.html
LMDeploy支持json格式的对话模版，需要将jinja2格式的转成json格式。我们可以使用AI搜索来做。比如我们使用DeepSeek来转换。
打开https://chat.deepseek.com/ ，上传jinja2文件，并且输入文字：
文件中是一个jinja2格式的qwen的对话模版，我需要转成lmdeploy框架支持的的json格式的对话模版，json模版格式如下：{"model_name": "your awesome chat template name","system": "<|im_start|>system\n","meta_instruction": "You are a robot developed by LMDeploy.","eosys": "<|im_end|>\n","user": "<|im_start|>user\n","eoh": "<|im_end|>\n","assistant": "<|im_start|>assistant\n","eoa": "<|im_end|>","separator": "\n","capability": "chat","stop_words": ["<|im_end|>"]}
返回结果：
{ "model_name": "qwen", "system": "<|im_start|>system\n", "meta_instruction": "You are Qwen, created by Alibaba Cloud. You are a helpful assistant.", "eosys": "<|im_end|>\n", "user": "<|im_start|>user\n", "eoh": "<|im_end|>\n", "assistant": "<|im_start|>assistant\n", "eoa": "<|im_end|>", "separator": "\n", "capability": "chat", "stop_words": ["<|im_end|>", "</tool_call>", "<|im_start|>", "<|im_end|>\n"], "tool_spec": { "tool_call_start": "<tool_call>", "tool_call_end": "</tool_call>", "tool_response_start": "<tool_response>", "tool_response_end": "</tool_response>" }}字段说明：
system/eosys：对应系统消息的开始和结束标记。
user/eoh：用户消息的起止标记。
assistant/eoa：助理消息的起止标记。
meta_instruction：使用原模板中的默认系统提示。
separator：消息间的换行符（\n）。
stop_words：添加 <|im_end|> 和其他可能的终止标记（如工具调用相关标签）。
工具调用扩展：
虽然 LMDeploy 基础模板不直接支持工具调用，但通过 tool_spec 字段扩展了工具调用的起止标记，以兼容原模板中的 <tool_call> 和 <tool_response> 逻辑。
