推理故障排除

如果在运行或保存模型时遇到问题。

在 Unsloth 上运行效果良好，但导出并在其他平台上运行后，结果很差

有时您可能会遇到这样的情况：您的模型在 Unsloth 上运行并产生良好结果，但当您在另一个平台（例如 Ollama 或 vLLM）上使用它时，结果很差，或者可能出现乱码、无限/无尽生成 或 重复输出.

• 此错误最常见的原因是使用了 不正确的对话模板. 在 Unsloth 中训练模型时使用的对话模板与随后在另一个框架（例如 llama.cpp 或 Ollama）中运行时使用的模板必须相同。当从已保存的模型进行推理时，应用正确的模板至关重要。

• 您必须使用正确的 eos 标记。否则，在较长的生成中可能会出现乱码。

• 这也可能是因为您的推理引擎添加了不必要的“序列开始”标记（或者相反地缺少该标记），因此请务必检查这两种情况！

• 使用我们的对话笔记本来强制设置对话模板——这将解决大多数问题。

  • Qwen-3 14B 对话笔记本 在 Colab 中打开

  • Gemma-3 4B 对话笔记本 在 Colab 中打开

  • Llama-3.2 3B 对话笔记本 在 Colab 中打开

  • Phi-4 14B 对话笔记本 在 Colab 中打开

  • Mistral v0.3 7B 对话笔记本 在 Colab 中打开

  • 更多笔记本在我们的 notebooks 仓库.

保存为 safetensors，而不是 bin 格式（在 Colab 中）

我们在 Colab 中保存为 .bin ，这样大约快 4 倍，但设置 safe_serialization = None 以强制保存为 .safetensors。所以 model.save_pretrained(..., safe_serialization = None) 或 model.push_to_hub(..., safe_serialization = None)

如果保存为 GGUF 或 vLLM 16 位导致崩溃

您可以尝试通过更改来减少保存时的最大 GPU 使用率 maximum_memory_usage.

默认值是 model.save_pretrained(..., maximum_memory_usage = 0.75)。将其降低到例如 0.5 以使用 50% 的 GPU 峰值内存或更低。这可以减少保存时的 OOM 崩溃。