延安市网站建设_网站建设公司_Oracle_seo优化

本文介绍LlamaIndex的Adapter适配器微调技术，通过冻结基础模型仅训练轻量级适配器层，实现显存需求降低90%，训练时间大幅缩短。文章详细展示了从数据准备、模型微调到效果评估的完整流程，提供了针对BGE、OpenAI等模型的实操代码，帮助开发者在资源受限环境下用普通电脑提升RAG系统检索效果，仅需几MB参数即可实现领域适配。

还在为微调嵌入模型需要大量GPU资源而发愁？今天教你用LlamaIndex的Adapter适配器技术，无论是BGE、OpenAI还是其他任何Embedding模型，都能轻松微调，用普通电脑就能让通用模型适配你的专业领域！

引言：为什么需要微调嵌入模型？

在RAG（检索增强生成）系统中，嵌入模型的质量直接决定了检索的准确性。虽然像BGE、OpenAI这样的通用嵌入模型已经很强大，但在特定领域（如医疗、法律、金融）中，它们往往表现不佳。

传统的全量微调需要：

• • 大量GPU显存（通常需要16GB+）
• • 长时间训练（可能需要数天）
• • 存储完整模型副本

而Adapter适配器微调只需要：

• • 普通GPU或CPU即可（显存需求降低90%）
• • 训练时间大幅缩短
• • 只保存几MB的适配器参数

什么是Adapter适配器微调？

Adapter适配器微调是一种参数高效的微调方法。它的核心思想是：在预训练模型上添加一个轻量级的适配器层，只训练这个适配器，而冻结原始模型参数。

原始嵌入 → [冻结的基础模型] → [可训练的Adapter层] → 微调后的嵌入

这样做的好处：

1. 1. 参数少：Adapter层通常只有几MB，而全量微调需要保存整个模型（几百MB到几GB）
2. 2. 训练快：只更新少量参数，训练速度提升10倍以上
3. 3. 效果好：在特定任务上，Adapter微调的效果往往接近全量微调

实战：用LlamaIndex实现Adapter微调

环境准备

首先，我们需要安装必要的依赖：

# pyproject.toml[project]dependencies = ["datasets>=4.4.1","llama-index-core>=0.14.8","llama-index-embeddings-adapter>=0.4.1","llama-index-embeddings-huggingface>=0.6.1","llama-index-embeddings-openai>=0.5.1","llama-index-embeddings-openai-like>=0.2.2","llama-index-finetuning>=0.4.1","llama-index-llms-openai-like>=0.5.3","llama-index-readers-file>=0.5.4","python-dotenv>=1.2.1","transformers[torch]>=4.57.1",]

第一步：准备训练数据集

从PDF/Markdown等文档中提取文本，使用大语言模型自动生成问答对作为训练数据。需准备两份语料，一份为训练的语料，一份为验证的语料。为了测试方便，这里我们使用一份语料分别作训练和验证用。下载地址如下，下载好放data目录。

https://www.modelscope.cn/datasets/muxueai/ai_ai_yu_llm_study_lib/resolve/master/%E4%B8%AD%E5%8D%8E%E4%BA%BA%E6%B0%91%E5%85%B1%E5%92%8C%E5%9B%BD%E8%AF%81%E5%88%B8%E6%B3%95(2019%E4%BF%AE%E8%AE%A2).pdf

项目的.env配置内容：

OPENAI_API_KEY=sk-xxxOPENAI_API_BASE=https://api.siliconflow.cn/v1LLM_MODEL=deepseek-ai/DeepSeek-V3EMBEDDING_MODEL=Qwen/Qwen3-Embedding-8B

使用LlamaIndex的generate_qa_embedding_pairs函数，自动调用大语言模型生成高质量的问答对。

# # 1-gen_train_dataset.py

import json from llama_index.core import SimpleDirectoryReader from llama_index.core.node_parser import SentenceSplitter import os from llama_index.finetuning import generate_qa_embedding_pairs from llama_index.llms.openai_like import OpenAILike from dotenv import load_dotenv load_dotenv() BASE_DIR = r"D:\Test\embedding_ft\data" # 训练集和验证集文件路径 TRAIN_FILES = [os.path.join(BASE_DIR, "中华人民共和国证券法(2019修订).pdf")] VAL_FILES = [os.path.join(BASE_DIR, "中华人民共和国证券法(2019修订).pdf")] # 训练集和验证集语料库文件路径 TRAIN_CORPUS_FPATH = os.path.join(BASE_DIR, "train_corpus.json") VAL_CORPUS_FPATH = os.path.join(BASE_DIR, "val_corpus.json") def load_corpus(files, verbose=False): if verbose: print(f"Loading files {files}") reader = SimpleDirectoryReader(input_files=files) docs = reader.load_data() if verbose: print(f"Loaded {len(docs)} docs") parser = SentenceSplitter() nodes = parser.get_nodes_from_documents(docs, show_progress=verbose) if verbose: print(f"Parsed {len(nodes)} nodes") return nodes def mk_dataset(): train_nodes = load_corpus(TRAIN_FILES, verbose=True) val_nodes = load_corpus(VAL_FILES, verbose=True) # openai-like兼容大模型 llm = OpenAILike( model=os.getenv("LLM_MODEL"), api_base=os.getenv("OPENAI_API_BASE"), api_key=os.getenv("OPENAI_API_KEY"), temperature=0.7, ) train_dataset = generate_qa_embedding_pairs(llm=llm, nodes=train_nodes) val_dataset = generate_qa_embedding_pairs(llm=llm, nodes=val_nodes) train_dataset.save_json(TRAIN_CORPUS_FPATH) val_dataset.save_json(VAL_CORPUS_FPATH) mk_dataset()

关键点：

• •SimpleDirectoryReader：自动读取PDF文档
• •SentenceSplitter：将文档切分为合适的文本块
• •generate_qa_embedding_pairs：使用LLM自动生成问答对，无需人工标注！
• • data目录下一共生成2个json,分别为微调所使用的训练集和 验证集。
• • 可以使用任意平台的大模型,为了生成高质量的数据集，尽量选择能力强的大模型；这里使用硅基平台的。

第二步：开始微调

使用LlamaIndex的EmbeddingAdapterFinetuneEngine，几行代码就能开始微调：

# 6-adapter-online-embedding.py

from llama_index.core.evaluation import EmbeddingQAFinetuneDataset from llama_index.finetuning import EmbeddingAdapterFinetuneEngine from llama_index.core.embeddings import resolve_embed_model import os from dotenv import load_dotenv load_dotenv() BASE_DIR = r"D:\Test\embedding_ft\data" TRAIN_CORPUS_FPATH = os.path.join(BASE_DIR, "train_corpus.json") VAL_CORPUS_FPATH = os.path.join(BASE_DIR, "val_corpus.json") train_dataset = EmbeddingQAFinetuneDataset.from_json(TRAIN_CORPUS_FPATH) val_dataset = EmbeddingQAFinetuneDataset.from_json(VAL_CORPUS_FPATH) base_embed_model = resolve_embed_model( r"local:D:\Test\embedding_ft\model\BAAI\bge-small-en-v1___5" ) finetune_engine = EmbeddingAdapterFinetuneEngine( train_dataset, base_embed_model, model_output_path="adapter_model_output", # bias=True, epochs=10, verbose=True, # optimizer_class=torch.optim.SGD, # optimizer_params={"lr": 0.01} ) finetune_engine.finetune() embed_model = finetune_engine.get_finetuned_model() print(embed_model)

关键参数说明：

• • 使用bge-small-en-v1.5作为基础模型（你也可以选择其他模型），从魔塔社区或者Hugging face上下载模型文件保存到项目的model目录下。
• •model_output_path: 适配器模型保存路径（只有几MB）
• •epochs: 训练轮数，通常4-10轮就足够
• •bias: 是否在Adapter层使用偏置（可选）
• •optimizer_class和optimizer_params: 自定义优化器（可选）

第三步：评估模型效果

微调完成后，我们需要评估模型在验证集上的表现。通常使用两个指标：

• •Hit Rate（命中率）：检索到的Top-K结果中是否包含正确答案
• •MRR（平均倒数排名）：正确答案在检索结果中的平均排名倒数

# 5-eval-mrr.pyfrom llama_index.embeddings.openai_like import OpenAILikeEmbeddingfrom llama_index.core.evaluation import EmbeddingQAFinetuneDatasetfrom eval_utils import evaluate, display_resultsfrom sentence_transformers import SentenceTransformerfrom llama_index.core.embeddings import resolve_embed_modelfrom llama_index.embeddings.adapter import LinearAdapterEmbeddingModelimport osfrom dotenv import load_dotenvload_dotenv()BASE_DIR = r"D:\Test\embedding_ft\data"VAL_CORPUS_FPATH = os.path.join(BASE_DIR, "val_corpus.json")val_dataset = EmbeddingQAFinetuneDataset.from_json(VAL_CORPUS_FPATH)# 评估在线的Embedding模型qwen3_embedding = OpenAILikeEmbedding( model_name=os.getenv("EMBEDDING_MODEL"), api_base=os.getenv("OPENAI_API_BASE"), api_key=os.getenv("OPENAI_API_KEY"), embed_batch_size=10,)qwen3_embedding_val_results = evaluate(val_dataset, qwen3_embedding)print(display_results(["qwen3_embedding"], [qwen3_embedding_val_results]))# 评估原始的Embedding模型orgin_embedding_val_results = evaluate(val_dataset, r"local:D:\Test\embedding_ft\model\BAAI\bge-small-en-v1___5")print(display_results(["orgin_embedding"], [orgin_embedding_val_results]))# 评估本地微调过的Embedding模型,路径前要加上local:ft_embedding_val_results = evaluate(val_dataset, r"local:D:\Test\embedding_ft\exp_finetune")print(display_results(["ft_embedding"], [ft_embedding_val_results]))# 评估Adapter微调过的Embedding模型 base_embed_model = resolve_embed_model(r"local:D:\Test\embedding_ft\model\BAAI\bge-small-en-v1___5")adapt_embed_model = LinearAdapterEmbeddingModel(base_embed_model, "model_output_test")apapt_val_results = evaluate(val_dataset, adapt_embed_model)display_results(["adapt_embedding"], [apapt_val_results])

评估结果示例：

可以看到，Adapter微调在只训练少量参数的情况下，效果已非常明显！

进阶：使用两层神经网络Adapter

如果单层线性Adapter效果不够好，可以尝试两层神经网络Adapter：

from llama_index.core.embeddings.adapter_utils import TwoLayerNNfrom llama_index.finetuning import EmbeddingAdapterFinetuneEnginefrom llama_index.embeddings.adapter import AdapterEmbeddingModel# 创建两层神经网络适配器adapter_model = TwoLayerNN(384, # 输入维度（BGE-small的输出维度）1024, # 隐藏层维度384, # 输出维度 bias=True, add_residual=True, # 添加残差连接)finetune_engine = EmbeddingAdapterFinetuneEngine( train_dataset, base_embed_model, model_output_path="model_2layer_output", model_checkpoint_path="model_2layer_ck", # 保存检查点 adapter_model=adapter_model, epochs=25, # 两层网络需要更多轮次 verbose=True,)finetune_engine.finetune()# 加载微调后的模型embed_model_2layer = finetune_engine.get_finetuned_model( adapter_cls=TwoLayerNN)

使用微调后的模型

微调完成后，可以像使用普通嵌入模型一样使用它：

from llama_index.embeddings.adapter import LinearAdapterEmbeddingModelfrom llama_index.core.embeddings import resolve_embed_model# 加载基础模型base_embed_model = resolve_embed_model(r"local:D:\Test\embedding_ft\model\BAAI\bge-small-en-v1___5")# 加载适配器embed_model = LinearAdapterEmbeddingModel( base_embed_model, "model_output_test")# 在RAG系统中使用from llama_index.core import VectorStoreIndex, Documentdocuments = [Document(text="你的文档内容")]index = VectorStoreIndex.from_documents( documents, embed_model=embed_model)query_engine = index.as_query_engine()response = query_engine.query("你的问题")

最佳实践与技巧

1. 数据准备

• •数据量：通常1000-10000个问答对就足够
• •数据质量：确保查询和文档的相关性标注准确
• •数据平衡：尽量覆盖领域内的各种查询类型

2. 训练参数调优

• •学习率：默认学习率通常效果不错，如需调整建议在0.0001-0.001之间
• •训练轮数：单层Adapter通常4-10轮，两层网络需要15-25轮
• •批次大小：根据显存调整，通常16-32效果较好

3. 模型选择

• •基础模型：选择与你的领域相近的预训练模型
• •Adapter类型：先尝试单层线性Adapter，效果不够再试两层网络

4. 效果评估

• • 在验证集上评估，避免过拟合
• • 对比多个模型（原始模型、Adapter微调、全量微调）
• • 关注实际业务指标，而不仅仅是Hit Rate和MRR

5、对闭源模版的微调

该方法同样适用于网上闭源的Embedding模型的微调，比如对openai的text-embedding-ada-002微调，代码如下

from llama_index.finetuning import EmbeddingAdapterFinetuneEngine, generate_qa_embedding_pairsfrom llama_index.embeddings.openai import OpenAIEmbedding# 步骤1：准备数据集train_dataset = generate_qa_embedding_pairs(train_nodes)val_dataset = generate_qa_embedding_pairs(val_nodes)# 步骤2：创建在线 embedding 实例embed_model = OpenAIEmbedding(model_name="text-embedding-ada-002", api_key="sk-...")# 步骤3：初始化微调引擎finetune_engine = EmbeddingAdapterFinetuneEngine( train_dataset, embed_model, model_output_path="adapter_output", epochs=4, verbose=True,)# 步骤4：开始微调finetune_engine.finetune()

步骤概述：

1. 准备训练数据集（如 EmbeddingQAFinetuneDataset）。
2. 用 resolve_embed_model 或 OpenAIEmbedding/HuggingFaceEmbedding 创建在线 embedding 实例。
3. 初始化 EmbeddingAdapterFinetuneEngine，传入数据集和 embedding 实例，指定输出路径等参数。
4. 调用 finetune() 开始训练，微调的适配器会自动保存。

6、EmbeddingAdapterFinetuneEngine和SentenceTransformersFinetuneEngine对比

• • EmbeddingAdapterFinetuneEngine 用于在任意黑盒嵌入模型（如 OpenAI、sentence-transformers、本地模型等）输出的向量上微调一个轻量级的适配器（如线性层），不改变原始大模型参数，适合模型不可训练或只想快速适配场景。
• • SentenceTransformersFinetuneEngine 则直接对 sentence-transformers 兼容的大模型参数进行全量微调，适合你有完整训练权限和资源时使用。两者都能提升检索效果，但微调对象和适用场景不同。

7、eval_utils.py 代码

code-snippet__js from llama_index.core.schema import TextNode from llama_index.core import Settings from llama_index.core import VectorStoreIndex import pandas as pd from tqdm import tqdm def evaluate( dataset, embed_model, top_k=5, verbose=False, ): corpus = dataset.corpus queries = dataset.queries relevant_docs = dataset.relevant_docs embed_model = embed_model or Settings.embed_model nodes = [TextNode(id_=id_, text=text) for id_, text in corpus.items()] index = VectorStoreIndex( nodes, embed_model=embed_model, show_progress=True ) retriever = index.as_retriever(similarity_top_k=top_k) eval_results = [] for query_id, query in tqdm(queries.items()): retrieved_nodes = retriever.retrieve(query) retrieved_ids = [node.node.node_id for node in retrieved_nodes] expected_id = relevant_docs[query_id][0] rank = None for idx, id in enumerate(retrieved_ids): if id == expected_id: rank = idx + 1 break is_hit = rank is not None # assume 1 relevant doc mrr = 0 if rank is None else 1 / rank eval_result = { "is_hit": is_hit, "mrr": mrr, "retrieved": retrieved_ids, "expected": expected_id, "query": query_id, } eval_results.append(eval_result) return eval_results def display_results(names, results_arr): """Display results from evaluate.""" hit_rates = [] mrrs = [] for name, results in zip(names, results_arr): results_df = pd.DataFrame(results) hit_rate = results_df["is_hit"].mean() mrr = results_df["mrr"].mean() hit_rates.append(hit_rate) mrrs.append(mrr) final_df = pd.DataFrame( {"retrievers": names, "hit_rate": hit_rates, "mrr": mrrs} ) print(final_df)

总结

Adapter微调是一种参数高效、成本低廉、效果显著的嵌入模型微调方法。通过本文的实战教程，你可以：

✅ 用普通电脑微调嵌入模型
✅ 在特定领域提升检索效果20%+
✅ 只保存几MB的适配器参数
✅ 快速迭代和实验不同的适配器架构

适用场景：

• • 垂直领域的RAG系统
• • 多语言检索优化
• • 特定文档类型的检索
• • 资源受限的环境

不适合的场景：

• • 需要大幅改变模型架构
• • 训练数据与预训练数据分布差异极大
• • 需要同时微调多个任务

希望这篇文章能帮助你在RAG系统中获得更好的检索效果！如果你在实际应用中遇到问题，欢迎在评论区交流讨论。

AI时代，未来的就业机会在哪里？

答案就藏在大模型的浪潮里。从ChatGPT、DeepSeek等日常工具，到自然语言处理、计算机视觉、多模态等核心领域，技术普惠化、应用垂直化与生态开源化正催生Prompt工程师、自然语言处理、计算机视觉工程师、大模型算法工程师、AI应用产品经理等AI岗位。

掌握大模型技能，就是把握高薪未来。

那么，普通人如何抓住大模型风口？

AI技术的普及对个人能力提出了新的要求，在AI时代，持续学习和适应新技术变得尤为重要。无论是企业还是个人，都需要不断更新知识体系，提升与AI协作的能力，以适应不断变化的工作环境。

因此，这里给大家整理了一份《2025最新大模型全套学习资源》，包括2025最新大模型学习路线、大模型书籍、视频教程、项目实战、最新行业报告、面试题等，带你从零基础入门到精通，快速掌握大模型技术！

由于篇幅有限，有需要的小伙伴可以扫码获取！

1. 成长路线图&学习规划

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

4. 大模型项目实战

学以致用，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

5. 大模型行业报告

行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

6. 大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

为什么大家都在学AI大模型？

随着AI技术的发展，企业对人才的需求从“单一技术”转向 “AI+行业”双背景。企业对人才的需求从“单一技术”转向 “AI+行业”双背景。金融+AI、制造+AI、医疗+AI等跨界岗位薪资涨幅达30%-50%。

同时很多人面临优化裁员，近期科技巨头英特尔裁员2万人，传统岗位不断缩减，因此转行AI势在必行！

这些资料有用吗？

这份资料由我们和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

大模型全套学习资料已整理打包，有需要的小伙伴可以微信扫描下方CSDN官方认证二维码，免费领取【保证100%免费】