创建一键训练作业

场景介绍

如果您的任务属于常见的标准任务（如文本生成），不希望关心底层的训练脚本、超参调优和资源配置时，推荐使用一键训练。您只需要准备好数据集、选择对应的任务类型，平台会自动完成算法选择、训练参数配置和资源调度，最终直接产出可部署的模型。这种场景的核心价值是"零代码、快速见效"，帮助用户在最短时间内跑通从数据到模型的完整闭环，非常适合原型验证和业务快速落地。

前提条件

1. 已完成华为云账号注册、实名认证及相关权限授权。具体操作，请参见一、前置准备：账号与权限。
2. 一键完成模型训练，需要配置ModelArts FullAccess权限，否则无法访问OBS。请参见配置ModelArts基础操作权限。

约束限制

仅新版控制台页面支持一键训练，请参考新旧控制台说明了解如何切换新旧控制台。

计费说明

在ModelArts进行模型训练时，会产生计算资源和存储资源的累计值计费。计算资源为训练作业运行的费用。存储资源包括数据存储到OBS或SFS的费用。详见模型训练计费项。

操作步骤

1. 登录ModelArts管理控制台。
2. 在左侧导航栏中选择“快速入门”，在“热门模型”中选择想要训练的模型。单击模型卡片中的“训练”进入创建训练页面。
3. 快速配置基础信息。

   表1 配置基础信息

   参数	说明	默认值
   模型	创建本训练作业所依赖的模型。	已选择的模型。
   作业名称	必填，训练作业的名称。 系统会自动生成一个名称，可以根据业务需求重新命名，命名规则如下： 支持1~64位字符。 可以包含大小写字母、数字、中划线（-）或下划线（_）。	随机生成格式为job-xxxx的作业名。
   训练方法	创建本训练作业所使用的训练方法。可选全量微调和LoRA微调。 全量微调：更新模型所有参数来适配新任务，效果最好但显存和算力消耗大，适合数据充足的场景。 LoRA微调：冻结原始模型参数，仅训练注入的低秩适配矩阵（额外参数量仅为原模型的0.1%~1%），显存和算力需求大幅降低，效果接近全量微调，适合资源有限的场景。	LORA微调。
   训练框架	创建本训练作业所使用的训练框架。	MindSpeed。
   模型输出路径	本训练任务产出的Checkpoints和模型资产将会保存在此路径。存储地址必须以“obs://”或者“/”开头，以“/”结尾，且除前缀外不得出现“//”，例如obs://bucketname/path/或者/bucketname/path/。	obs://bucketname/path/。
   资源池类型	“公共资源池”：公共资源池由系统提供，供平台所有租户共享使用，不需要用户创建。 “专属资源池”：专属资源池需要提前单独创建，不与其他租户共享，具体创建操作请参见创建专属资源池。	公共资源池
   资源池	仅选择“专属资源池”后出现此参数，在“资源池”中单击“选择资源池”，在右侧弹窗中选择要使用的专属资源池或者逻辑子池后，单击“确定”。 选择界面支持查看当前专属资源池的名称、节点池规格、可用节点数/最大节点数、可用NPU/GPU设备数、可用CPU（vCPUs）、可用内存（GiB）以及资源碎片。单击资源碎片列的“查看”可以查看碎片详情，确认资源池是否满足训练需求。 选择完成后，此处会展示所选资源池信息，也可单击“重新选择”再次选择资源池。	选择满足训练要求的资源池
   发布模型名称	训练后的模型将发布为资产，设置该模型资产的名称。命名规则如下： 支持2-128位字符。 只包含中文、字母、数字、中划线、下划线，且以中文、字母开头，以中文、字母、数字结尾名称。	原始模型命+时间戳参数
   实例规格	创建本训练作业所使用的资源实例规格。 资源池类型为“专属资源池”时，需要先选定“资源池”，资源池类型为“公共资源池”时直接单击，然后在右侧弹窗中选择实例规格后，单击“确定”。 推荐使用8 * Ascend-snt9b2 | 192 vCPUs | 1536 GiB (modelarts.bm.npu.arm.8snt9b2)或更高配置。	8 * Ascend-snt9b2 | 192 vCPUs | 1536 GiB (modelarts.bm.npu.arm.8snt9b2)。
   实例数	创建本训练作业的资源实例数。 填写范围与“实例规格”有关，以界面展示为准。	1。
   选择数据集	创建本训练作业所使用的数据集，支持选择预置数据和我的数据。本例中选择ModelArts提供的预置数据集。	第一个数据集选项。
   更多配置	创建本训练作业的模型参数配置。如需了解可查看表2。	默认已填写完成。

   表2 更多训练参数配置说明

   参数	说明	默认值
   LR	学习率设置。	1.25e-6
   MIN_LR	最小学习率设置。	1.25e-7
   RUN_TYPE	训练类型设置，比如lora/sft等。	lora
   MODEL_NAME	训练模型名称。	qwen3_8b
   SEQ_LEN	要处理的最大序列长度。默认为4096	4096
   LR_WARMUP_RATIO	用于计算LR_WARMUP_ITERS的占TRAIN_ITERS的比例 LR_WARMUP_ITERS=TRAIN_ITERS * LR_WARMUP_RATIO	0.01
   DATA_TYPE	示例值需要根据数据集的不同，选择其一。 GeneralPretrainHandler：使用预训练的alpaca数据集。 AlpacaStyleInstructionHandler：使用LLaMA-Factory模板Alpaca数据集。 SharegptStyleInstructionHandler：使用LLaMA-Factory模板Sharegpt数据集。	AlpacaStyleInstructionHandler
   EPOCH	表示训练轮次，根据实际需要修改。一个Epoch是将所有训练样本训练一次的过程。	4
   GBS	表示训练中所有机器一个step所处理的样本量。影响每一次训练迭代的时长。	16
   LORA_R	在Lora矩阵中，Rank的值用于衡量矩阵的复杂度和信息量。数值较大，增强模型的表示能力，但会增加训练时长；数值越小可以减少参数数量，降低过拟合风险。	16

4. 确认配置和费用后，单击“确定”。跳转进入模型训练列表页面。

   训练作业一般需要运行一段时间，在训练作业列表，可以查看训练作业的基本情况。

   • 在训练作业列表中，刚创建的训练作业状态为“等待中”。
   • 当训练作业的状态变为“已完成”时，表示训练作业运行结束，其生成的模型将存储至对应的“输出”目录中。
   • 当训练作业的状态变为“运行失败”或“异常”时，可以单击训练作业的名称进入详情页面，通过查看模型产出、任务详情、事件、日志和资源占用等信息。

模型训练成功后，用户可以直接用于模型部署等后续操作，或根据实际需求，参考此训练过程，在创建训练作业界面重新创建模型。

常见问题

常见报错及解决方案请详见表3。

INFO: root: Train valid number is 0.

ValueError: label_map not match. {1:'apple', 2:'orange', 3:'banana', 4:'pear'} & {1:'apple', 2:'orange', 3:'banana'}