在双3090显卡上全量微调OpenBMB/OmniLMM项目的MiniCPM-o模型

背景介绍

OpenBMB/OmniLMM项目中的MiniCPM-o是一个轻量级的多模态大语言模型，支持视觉和语言任务。在实际应用中，研究人员经常需要对这类模型进行全量微调以适应特定场景需求。然而，由于模型参数规模较大，即使在两张24GB显存的NVIDIA 3090显卡上，全量微调也会面临显存不足的挑战。

显存不足问题分析

在尝试使用两张3090显卡（每张24GB显存）进行全量微调时，即使采取了以下优化措施：

• 冻结视觉部分参数
• 仅训练resampler和语言模型部分
• 设置MODEL_MAX_Length为1024
• 设置max_slice_nums为1
• 使用batch_size=1
• 采用DeepSpeed Zero3配置
• 启用offload_optimizer和offload_param到CPU

仍然会出现显存不足的情况。这表明模型在训练过程中的显存需求超过了预期。

解决方案探索

1. 使用pure_bf16精度

传统的混合精度训练(bf16=true)会保留部分fp32参数用于稳定性，而pure_bf16模式则将所有参数都转换为bf16格式，可以进一步节省显存。在LLaMA-Factory等框架中已经实现了这一优化。

2. 框架选择优化

不同微调框架在资源利用效率上存在差异。LLaMA-Factory等专门优化的框架相比原项目可能提供更好的显存管理策略，包括：

• 更高效的内存分配
• 优化的梯度计算流程
• 改进的参数更新机制

3. 训练参数调整

除了精度设置外，还可以尝试：

• 进一步减小上下文长度
• 调整梯度累积步数
• 优化resampler层的配置
• 检查是否有不必要的中间变量保留

实施建议

对于希望在双3090显卡上全量微调MiniCPM-o的研究人员，建议按照以下步骤进行：

1. 首先尝试启用pure_bf16模式
2. 考虑使用LLaMA-Factory等优化框架
3. 逐步调整训练参数，监控显存使用情况
4. 必要时可以进一步减少可训练参数范围
5. 确保DeepSpeed配置正确加载并生效

通过综合运用这些技术手段，在双3090显卡上实现MiniCPM-o的全量微调是可行的。关键在于找到显存使用和训练效果之间的最佳平衡点。