GLM-4模型微调后全量参数保存与部署指南

背景介绍

在大型语言模型的应用中，微调(Fine-tuning)是使预训练模型适应特定任务的关键步骤。GLM-4作为一款强大的中文大语言模型，支持多种微调方式，包括全参数微调、P-Tuning和LoRA等高效微调方法。然而，许多开发者在完成微调后，面临着如何正确保存全量模型参数并在不同框架中部署的挑战。

问题分析

GLM-4默认的微调输出通常只保存适配器(Adapter)层的参数，而非完整的模型参数。这种设计虽然节省存储空间，但在某些应用场景下，开发者需要将微调后的模型作为一个完整独立的模型保存和部署，例如：

1. 需要在其他不支持适配器加载的框架中使用
2. 需要将模型部署为API服务
3. 需要将模型分享给没有原始基础模型的团队成员

解决方案

方法一：直接保存全量模型

通过加载微调后的模型并重新保存，可以获得包含全部参数的独立模型：

from transformers import AutoModel, AutoTokenizer
import torch
from pathlib import Path

model_dir = '/path/to/finetuned/model'
output_dir = '/path/to/save/full/model'

model = AutoModel.from_pretrained(
    model_dir,
    trust_remote_code=True,
    device_map='auto',
    torch_dtype=torch.bfloat16
)

tokenizer = AutoTokenizer.from_pretrained(
    model_dir,
    trust_remote_code=True,
    encode_special_tokens=True,
    use_fast=False
)

# 保存完整模型
model.save_pretrained(output_dir)
tokenizer.save_pretrained(output_dir)
model.config.save_pretrained(output_dir)

# 可选：保存为safetensors格式
from safetensors.torch import save_file
state_dict = model.state_dict()
metadata = {"format": "pt"}
save_file(state_dict, f"{output_dir}/final_model.safetensors", metadata=metadata)

方法二：处理模型索引文件

对于大型模型，可能需要分割保存参数文件并创建索引：

import json
from safetensors.torch import save_file

state_dict = model.state_dict()
keys = list(state_dict.keys())
num_parts = 10  # 分割为10个文件
part_size = len(keys) // num_parts

# 分割保存参数
for i in range(num_parts):
    start_idx = i * part_size
    end_idx = (i + 1) * part_size if i != num_parts - 1 else len(keys)
    part_keys = keys[start_idx:end_idx]
    part_state_dict = {key: state_dict[key] for key in part_keys}
    save_file(part_state_dict, f"{output_dir}/model_part_{i}.safetensors")

# 创建索引文件
weight_map = {name: f"model_part_{i//part_size}.safetensors" 
              for i, name in enumerate(keys)}
index_content = {
    "metadata": {"total_size": sum(p.numel() for p in model.parameters())},
    "weight_map": weight_map
}

with open(f"{output_dir}/model.safetensors.index.json", 'w') as f:
    json.dump(index_content, f, indent=4)

部署注意事项

1. 文件结构完整性：确保保存的模型目录包含所有必要文件：

   • 模型参数文件(.bin或.safetensors)
   • 配置文件(config.json)
   • 分词器相关文件(tokenizer.json, tokenizer_config.json等)
   • 特殊词汇文件(如有)

2. 模型格式选择：

   • .bin格式是PyTorch传统格式，兼容性好
   • .safetensors格式更安全，加载时不执行任意代码

3. 存储优化：

   • 微调后的模型目录通常不包含.git等版本控制文件，可手动删除
   • 对于大型模型，分割保存可以缓解内存压力

4. API服务部署： 当使用类似openai_api_server.py的服务时，确保：

   • 模型路径指向完整模型目录
   • 配置文件中不包含特定于适配器的参数(如lora_config)

常见问题解决

问题1：加载保存的模型时报错缺少适配器配置

解决方案：确保在保存前已将适配器参数合并到基础模型中，或使用完整模型加载方式而非适配器加载方式。

问题2：模型文件过大导致内存不足

解决方案：

1. 使用device_map='auto'参数分片加载模型
2. 使用低精度格式如torch_dtype=torch.bfloat16
3. 考虑使用模型量化技术

问题3：分词器特殊token处理异常

解决方案：保存时确保传递encode_special_tokens=True参数，并完整保存分词器相关文件。

最佳实践建议

1. 版本控制：为每个微调版本创建明确的命名和文档记录
2. 测试验证：保存后立即加载测试，确保模型功能正常
3. 存储规划：大型模型需要充足的存储空间，提前规划
4. 文档记录：记录微调参数和数据集信息，便于复现

通过以上方法，开发者可以灵活地将GLM-4微调模型转换为独立部署的完整模型，满足各种应用场景的需求。