> ## Content Index
> Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt
> Use this file to discover other available public pages before exploring further.

# Gemma 3 270M本地微调指南
- URL: https://www.hubwiz.com/blog/gemma-3-270m-local-fine-tuning-guide/
- Published: 2025-08-25T15:02:51.000Z
- Updated: 2025-08-25T15:02:51.000Z
- Description: Gemma 3 270M是一个超高效的本地AI模型。今天，让我们学习如何微调这个模型，让它在下棋和预测下一步动作方面变得非常聪明。
- Author: admin
- Tags: MODEL-ZOO, GEMMA3-270M, UNSLOTH, TRANSFORMERS, #Import 2026-10-14 14:41

谷歌发布了Gemma 3 270M，一个新的模型用于超高效的本地AI！

你可以在仅0.5 GB RAM上本地运行它。

今天，让我们学习如何微调这个模型，让它在下棋和预测下一步动作方面变得非常聪明。

我们的技术栈：

- Unsloth用于高效的微调。
- HuggingFace transformers用于本地运行。

## 1、加载模型

我们首先使用Unsloth加载Gemma 3 270M及其分词器。

![](https://www.hubwiz.com/blog/content/images/2025/08/image-303.png)

## 2、定义LoRA配置

我们将使用LoRA进行高效的微调。

![](https://www.hubwiz.com/blog/content/images/2025/08/image-304.png)

为此，我们使用Unsloth的PEFT并指定：

- 模型
- LoRA低秩（r）
- 微调层（target\_modules）

## 3、加载数据集

我们将微调Gemma 3，使其在下棋方面变得极其聪明。

![](https://www.hubwiz.com/blog/content/images/2025/08/image-305.png)

给定一组之前的移动（缺少一个移动）和最终结果，它必须预测缺失的移动。

为了做到这一点，我们使用HuggingFace的ChessInstruct数据集。

## 4、准备数据集

接下来，我们使用对话风格的数据集来微调Gemma 3。

![](https://www.hubwiz.com/blog/content/images/2025/08/image-306.png)

`standardize_data_formats`方法将数据集转换为适合微调的正确格式！

## 5、定义Trainer

在这里，我们通过指定训练配置（如学习率、模型、分词器等）创建一个Trainer对象。

![](https://www.hubwiz.com/blog/content/images/2025/08/image-307.png)

## 6、训练

完成这些后，我们开始训练。

损失通常随着步骤减少，这意味着模型被正确地微调了。

![](https://www.hubwiz.com/blog/content/images/2025/08/image-308.png)

最后，这张图片显示了微调前后提示LLM的情况：

![](https://www.hubwiz.com/blog/content/images/2025/08/image-309.png)

微调后，模型能够找到确切的缺失棋步，而不是随机生成一些棋步。

这很简单，不是吗？

---

原文链接：[Fine-tuning Gemma 3 270M Locally](https://blog.dailydoseofds.com/p/fine-tuning-gemma-3-270m-locally?ref=hubwiz.com)

汇智网翻译整理，转载请标明出处