2小时打造专业医疗助手：基于CareGPT与Qwen3-8B的微调实战

凌晨一点，突发剧烈头痛，视力也开始模糊。在这种紧急情况下，使用通用AI助手寻求建议，往往只能得到“请及时就医”这样正确但无用的回答。用户真正需要的，是具备初步症状识别、风险评估和就医指引能力的专业助手。

这正是当前通用大模型在医疗场景中的典型短板：

● 缺乏专业医学知识体系，无法进行症状关联分析

● 回答过于保守，难以提供具针对性的分级建议

● 无法识别症状组合背后的潜在疾病类型差异

现在，通过LLaMA-Factory Online平台，我们只需要2小时，就能基于CareGPT和Qwen3-8B模型，系统性地构建一个真正“懂症状、能判断”的智能医疗助手。实际效果对比如下：

用户提问：“我突然剧烈头痛，视力模糊，可能是什么原因？

通用模型回答虽然结构完整，但存在明显不足：建议过于保守，仅笼统地建议“观察症状”和“及时就医”，缺乏具体的风险评估和紧急情况指引，对急性症状的响应不够充分。

微调后的医疗助手回答展现出明显的改进，回答涵盖了更全面的病因分析，从眼部问题到颅内状况，从血压因素到偏头痛，提供了更具参考价值的医学信息。虽然仍有优化空间，但已经展现出从“通用回复”到“专业解答”的明显进步。

这种具备症状初步分析、风险评估和明确就医指引的专业回应，正是通过CareGPT医疗语料与Qwen3-8B的高效微调实现的。在接下来的内容中，我将完整演示如何通过LLaMA Factory Online平台，在2小时内完成从数据准备、模型微调到效果验证的全流程。

配置概览说明

资源消耗预计

使用推荐资源（H800*4）进行微调时微调过程总时长约2h16min。

具体操作步骤

步骤一：数据准备

1. 下载数据集。数据集下载完成后，需上传至文件管理。具体操作，可参考SFTP上传下载 | Llama-Factory Online docs完成数据集上传。

● 单击链接，下载ChatMed_Consult_Dataset数据集。

● 单击链接，下载HuatuoGPT2-SFT-GPT4-140K数据集。

2. 数据格式转换。

LLaMA Factory作为主流的大语言模型微调框架，对医疗问诊类数据有明确的格式要求（需包含instruction、input、output核心字段，支持多轮对话的history字段可选）。针对ChatMed_Consult_Dataset数据集原有的 “query-response” 二元结构，需通过字段映射与格式重构，将其转换为LLaMA Factory兼容的数据格式。数据格式转换的具体步骤如下：

a. 进入LLaMA-Factory Online平台，单击“控制台”，进入控制台后单击左侧导航栏的“实例空间”，然后在页面单击“开始微调”。

b. 在弹出的页面选择“CPU”，核数选择“2核”，然后单击“启动”。

c. 实例启动后，单击[VSCode处理专属数据]页签，进入VSCode编辑页面。您也可以根据需要打开JupyterLab处理数据，本示例指导您通过VSCode处理数据。

d. 在VSCode页面左侧user-data/datasets目录下（如图①）新建一个.py后缀的文件（如图②），然后复制以下命令至文件中（如图③）。

import json
import pandas as pd
import jsonlines
from typing import List, Dict
 
def chatmed_to_llamafactory(
    input_path: str, 
    output_path: str, 
    instruction: str = "你是专业的医疗咨询助手，请根据用户的医疗问诊需求，提供准确、易懂的疾病解答、治疗建议与日常注意事项，回答需符合医学常识，同时提示用户最终需咨询专业医生确认诊断。"
) -> None:
 
    raw_data: List[Dict] = []
    with jsonlines.open(input_path, "r") as f:
        for line in f:
            raw_data.append(line)
    
    llamafactory_data: List[Dict] = []
    for idx, item in enumerate(raw_data):
        try:
            if "query" not in item or "response" not in item:
                print(f"跳过第{idx+1}条数据：缺失query或response字段")
                continue
            
            converted_item = {
                "instruction": instruction, 
                "input": item["query"].strip(),  
                "output": item["response"].strip(),  
                "history": []  
            }
            llamafactory_data.append(converted_item)
        
        except Exception as e:
            print(f"处理第{idx+1}条数据时出错：{str(e)}，已跳过")
            continue
    
    with open(output_path, "w", encoding="utf-8") as f:
        json.dump(llamafactory_data, f, ensure_ascii=False, indent=2)
        
    print(f"转换完成！原始数据共{len(raw_data)}条，有效转换{len(llamafactory_data)}条，输出路径：{output_path}")
 
if __name__ == "__main__":
    INPUT_FILE = "./ChatMed_Consult-v0.3.json"  
    OUTPUT_FILE = "./datasets/multi-med.json"    
    chatmed_to_llamafactory(
        input_path=INPUT_FILE,
        output_path=OUTPUT_FILE,
    )

e. VSCode页面，新建一个终端，依次执行以下命令，进行数据格式转换（如图①和②）。

conda activate /opt/conda/envs/lf
python testshuju.py 

💡提示

testshuju.py为本示例新建的文件，请根据您的实际情况进行替换。

回显信息如图③所示，说明数据格式转换成功，且转换后的数据存放在/datasets/multi-med.json中，即原数据集文件ChatMed_Consult_Dataset经格式转换后生成新的数据集文件multi-med。

3. 数据集检测。

a. 返回LLaMA-Factory Online控制台，单击左侧导航栏的“文件管理”。

b. 单击目标数据集右侧“操作”列的"数据集检测"，检测数据集。如下图所示，若“数据集格式检测”结果显示“符合”，则表示数据集符合格式要求。

步骤二：模型微调

1. 进入LLaMA-Factory Online平台，单击“控制台”，进入控制台后单击左侧导航栏的“模型微调”进入页面。

2. 选择模型和数据集，进行参数配置。

○ 本实践使用平台内置的Qwen3-8B作为基础模型（如图①），数据集为ChatMed_Consult_Dataset（multi-med）和HuatuoGPT2-SFT-GPT4-140K（如图②）。

○ 训练配置：选择“专家微调”（如图③）；“训练轮数”配置为“2”，“单CPU批处理大小”配置为“24”（如图④）。

○ 分布式配置：打开“DeepSpeed”开关（如图⑤）。

○ 资源配置：推荐卡数为4卡（如图⑥）。

○ 选择价格模式：本实践选择“极速尊享”（如图⑦），不同模式的计费说明参考模型微调 | Llama-Factory Online docs。

○ 开始训练：单击“开始训练”，开始模型训练。

💡提示

配置模型与数据集后，系统将根据所需资源及其相关参数，动态预估任务运行时长及微调费用，您可在页面底部查看预估结果。

3. 通过任务中心查看任务状态。 在左侧边栏选择“任务中心”，在“模型微调”页面即可看到刚刚提交的任务。

单击任务框，可查看任务的详细信息、超参数、训练追踪和日志。

4. 任务完成后，模型自动保存在"文件管理->模型->output"文件夹中。可在"任务中心->基本信息->模型成果"处查看保存路径。

步骤三：模型评估

1. 单击页面左侧导航栏的“模型评估”，进行评估训练配置。

2. 微调模型选择上一步骤微调后的模型(如图①)，评估数据集为ChatMed_Consult_Dataset（multi-med）和HuatuoGPT2-SFT-GPT4-140K（如图②）。然后配置如下参数（如图③）：

○ 单GPU批处理大小：设置为32。

○ 截断长度：设置为2048。

○ 最大生成长度：设置为1024。

其他参数设置为默认即可。

💡提示

配置模型与数据集后，系统将根据所需资源及其相关参数，动态预估任务运行时长及微调费用，您可在页面底部查看预估结果。

3. 可以在“任务中心->模型评估”下看到评估任务的运行状态。

4. 单击图标，进入任务基本信息查看页面。用户可查看评估任务的基本信息、日志以及评估效果。

步骤四：模型对话

1. 单击页面左侧导航栏“模型对话”，进入模型对话页面。

2. 在微调模型处选择目标模型名称（如图①），单击右上角“开始对话”（如图②），在弹出的对话框单击“立即对话”。

3. 在右侧配置栏的“System Prompt”处输入提示词(如图①)，在输入框中输入问题（如图②），单击发送；在对话框中查看对话详情（如图③）。

本次基于Qwen3-8B模型，采用LoRA方法在专业医疗数据集上的微调实践表明，该技术方案在保持模型通用能力的同时，显著提升了医疗问答的专业性和实用性。从技术演进角度看，微调后的模型与医疗系统深度融合将释放更大价值。

这种"领域微调+系统集成"的技术路径，为AI在医疗等专业场景的落地提供了经过验证的解决方案。作为长期专注于大模型产业落地的技术架构师，我认为LLaMA-Factory Online平台为领域适配提供了高效的工程化路径，这种轻量化微调方案兼具效率与实用性，值得在更多专业场景中推广验证。

PS.如何学习AI大模型？

作为一名深耕大模型微调领域多年的技术架构师，我深知“纸上得来终觉浅”。在见证了上百个微调项目的成功与失败后，我深刻认识到，拥有一个清晰的学习路径和经过验证的实战资源是多么关键。

为此，我特意整理了全套《大模型微调实战进阶宝典》，这份资料凝聚了我多年的实战经验，其中包含：

● 《大模型微调实战避坑指南》：精选20+真实项目经验，解析训练发散、灾难性遗忘等高频难题

● 《十大前沿行业微调白皮书》：汇集金融、医疗、汽车、法律、保险等众多领域大模型先锋案例

● 《开箱即用微调数据集精选》：涵盖指令微调、对话、专业领域问答与代码生成等多个实战场景

愿你能用它，快速撬动大模型在你业务中的巨大价值！