站在宏观视角看，大模型微调（Fine-tuning）的工具生态已经从两年前的“手动拧螺丝”进化到了现在的“工业自动化”。

对于初学者和技术选型者来说，可以将目前的工具链分为三个梯队：全能型工具箱（新手最爱）、极致性能派（极客首选）以及底层基础设施（开发者必备）。

一、 业界主流框架概览表

二、 深度拆解：你应该选哪一个？

1. LLaMA-Factory：微调界的“美图秀秀”

如果你想在今天下午就跑通第一次微调，选它准没错。

• 为什么强： 它把数据准备、预处理、训练、评估、推理全部集成在了一个 Web 界面（Gradio）里。你不需要写一行训练代码，只需配置路径和参数。
• 宏观地位： 目前国内最流行的开源微调框架，几乎适配了所有主流模型（Llama, Qwen, Yi, DeepSeek 等）。

2. Unsloth：大模型训练的“涡轮增压”

如果你只有一张 3090 或者 4090，Unsloth 是你的救命稻草。

• 为什么强： 它用 OpenAI 的 Triton 语言重写了 Transformer 的底层算子。它不是简单地调用库，而是从数学层面优化了反向传播。
• 战绩： 显存占用减少 70%，训练速度提升 2 倍以上且不损失精度。

3. Axolotl：专业选手的“手术刀”

它是许多顶级开源模型（如 OpenHermes）背后的功臣。

• 为什么强： 它通过一个 YAML 配置文件定义一切。这种“配置即任务”的模式非常适合进行大规模实验和版本管理。
• 宏观地位： 在国外开发者社区（如 Hugging Face, Reddit）声望极高。

三、 技术选型的底层逻辑（基础设施）

无论你选上面哪个框架，它们底层其实都依赖于这几块“地基”：

1. Hugging Face PEFT (Parameter-Efficient Fine-Tuning):
   这是 LoRA 等算法的官方实现库。几乎所有上层框架都在调用它的接口。
2. DeepSpeed / FSDP:
   当你需要多张显卡并行训练时，负责管理显存分布和通信的底层引擎。
3. BitsAndBytes:
   负责 Quantization (量化) 的核心库。QLoRA 能够把模型压缩到 4-bit 并在消费级显卡运行，全靠它。

四、 你的动工建议

如果你现在要开始“动工”，我建议的路线图是：

• 第一步 (Day 1): 使用 LLaMA-Factory。先用它自带的样例数据，在 WebUI 里点一点，跑通一遍 LoRA 训练流程，建立直观感觉。
• 第二步 (Day 2-5): 尝试将你的数据格式化。这是最痛苦的一步，你需要把原始文档转化为 instruction/input/output 的 JSON 格式。
• 第三步 (进阶): 如果你发现显存不够或速度太慢，转向 Unsloth 尝试加速。

[!TIP]
一个行业内幕：
现在的微调，“炼丹炉”（框架）其实都差不多，真正的差距在于“仙草”（数据）。80% 的精力应该放在数据的清洗、去重和质量打分上。