LLaMA-Factory项目中Qwen2.5-VL模型训练参数配置问题解析

在使用LLaMA-Factory项目对Qwen2.5-VL-3B-Instruct模型进行全参数训练(full fine-tuning)时，用户遇到了一个关于参数配置的常见问题。本文将详细分析该问题的原因及解决方案，并深入讲解相关技术背景。

问题现象

当用户尝试使用train_full模式训练Qwen2.5-VL-3B-Instruct模型时，系统报错提示"ValueError: Some keys are not used by the HfArgumentParser: ['train_mm_proj_only']"。这表明配置文件中存在未被HuggingFace参数解析器识别的参数。

技术背景

LLaMA-Factory项目是一个用于大语言模型微调的开源框架，它基于HuggingFace的Transformers库构建。在模型训练过程中，参数解析器会严格检查所有传入的参数，确保它们与预定义的参数集合匹配。

对于视觉-语言多模态模型如Qwen2.5-VL，训练时通常需要配置视觉塔(Vision Tower)和多模态投影器(Multi-modal Projector)的相关参数。这些参数控制着模型不同部分的冻结状态，是微调多模态模型的关键配置。

问题原因

经过分析，该问题的直接原因是项目更新后参数名称发生了变化。具体来说：

1. 旧版本使用的参数名为"train_mm_proj_only"
2. 新版本已将该参数更名为"freeze_multi_modal_projector"

这种参数名的变更导致了参数解析器无法识别旧参数名，从而抛出错误。

解决方案

要解决这个问题，用户需要：

1. 将配置文件中的"train_mm_proj_only"参数移除
2. 使用"freeze_multi_modal_projector"参数来控制多模态投影器的冻结状态

正确的参数配置应该是：

freeze_vision_tower: true
freeze_multi_modal_projector: false

深入理解参数作用

为了更好地使用这些参数，我们需要理解它们的实际作用：

1. freeze_vision_tower：控制是否冻结视觉编码器部分。设置为true可以保持预训练的视觉特征提取能力不变，只训练语言部分。

2. freeze_multi_modal_projector：控制是否冻结连接视觉和语言模态的投影器。这个组件负责将视觉特征映射到语言模型的空间中。

对于Qwen2.5-VL这样的多模态模型，合理的参数配置策略通常是：

• 在数据量较少时，冻结视觉塔和投影器，只训练语言部分
• 在数据量充足时，可以解冻投影器进行微调
• 除非有大量多模态数据，否则不建议解冻视觉塔

最佳实践建议

基于项目经验，我们建议用户在配置多模态模型训练时：

1. 始终参考项目最新的示例配置文件
2. 在修改参数前，先了解每个参数的具体作用
3. 对于关键参数，可以先进行小规模试验性训练
4. 注意记录使用的参数配置，便于结果复现和问题排查

通过遵循这些建议，可以避免类似参数配置问题，更高效地完成多模态模型的微调任务。