全部 skill

在有限显存下用 LoRA 微调大模型。

Axolotl: YAML LLM fine-tuning (LoRA, DPO, GRPO).EN

Unsloth: 2-5x faster LoRA/QLoRA fine-tuning, less VRAM.EN

用 Unsloth Core 在单张消费级 GPU 上微调与后训练 LLM：VRAM 估算、LoRA/QLoRA、GRPO/DPO、chat 模板正确性与 GGUF 导出。

Unsloth 快速微调专家指引——训练快 2-5×、内存省 50-80%、LoRA/QLoRA 优化。

LLaMA-Factory 微调 LLM 专家指引——WebUI 无代码、100+ 模型、2/3/4/5/6/8-bit QLoRA、多模态支持。

Axolotl 微调 LLM 专家指引——YAML 配置、100+ 模型、LoRA/QLoRA、DPO/KTO/ORPO/GRPO、多模态支持。

用 Lightning AI 的 LitGPT 实现并训练 LLM，含 20+ 预训练架构（Llama、Gemma、Phi、Qwen、Mistral）。需干净模型实现、架构教学理解、或 LoRA/QLoRA 生产微调时使用。单文件实现、无抽象层。

用 LoRA、QLoRA 与 25+ 方法做 LLM 参数高效微调。GPU 内存有限微调大模型（7B-70B）、需训练 <1% 参数且精度损失最小、或做多适配器服务时使用。HuggingFace 官方库，与 transformers 生态集成。

把 LLM 量化为 8-bit 或 4-bit，省 50-75% 内存且精度损失极小。GPU 内存有限、需装更大模型、或想更快推理时使用。支持 INT8、NF4、FP4 格式、QLoRA 训练、8-bit 优化器。与 HuggingFace Transformers 配合。

训练后 4-bit 量化，精度损失极小。在消费 GPU 部署大模型（70B、405B）、需 4× 内存缩减且困惑度降 <2%、或比 FP16 更快推理（3-4×）时使用。与 transformers、PEFT 集成做 QLoRA 微调。