使用 Brewery 打造自己的 AI 模型：分步微调教程

什么是 Brewery？

Brewery 是一个用于微调语言模型和图像模型的引导式代理。你可以与选定的 AI 向导对话，描述想要构建的内容。这个 AI 向导称为 酿酒师（brewmaster）。Brewery 随后会帮助你明确目标、选择基础模型、准备数据、选择安全的超参数、运行训练、测试结果，并发布完成的模型。

酿酒师可以是 Claude、兼容 OpenAI 的模型、OpenRouter，或通过 Ollama 或 LM Studio 运行的本地模型。Brewery 会根据你的经验水平调整说明和工具：初学者、业余爱好者、构建者或专家。

训练可以在你自己的 NVIDIA 或 AMD GPU 上运行，也可以在通过 SSH 访问的租用服务器上运行。当训练在其他地方进行时，运行 Brewery 的笔记本电脑只需充当控制平面。

主要功能

• 使用 LoRA、QLoRA 或完整微调来微调受支持的文本模型。
• 通过持续预训练、监督式微调和偏好调优训练文本模型。
• 为风格、角色和物体训练 Qwen-Image 2.1 LoRA 适配器。
• 从 Hugging Face、本地文件或由酿酒师创建的示例导入数据。
• 在查看提供商条款后，可选择生成合成数据或偏好对。
• 使用 Empero Trace Format（ETF）处理对话、工具调用、推理、RAG 文档、偏好、原始文本、补全内容和图像。
• 在训练开始前估算内存、时间和成本。
• 在本地、Runpod、Vast.ai 或其他 SSH 服务器上运行训练。
• 导出适配器或合并后的模型，并生成模型卡片和许可证文件。
• 将结果上传到 Hugging Face，默认设为私有。

安装 Brewery

通过 pip 从 GitHub 仓库安装 Brewery：

pip install "brewery-ai @ git+https://github.com/empero-org/brewery-ai"

使用以下命令启动应用：

brewery

首次运行时，Brewery 会询问由哪个 AI 为你提供指导，并请求其 API 密钥。凭据会存储在只有你可以读取的本地文件中。设置过程还会在创建项目文件夹前询问你的经验水平和项目名称。

为本地 GPU 安装训练支持

如果你计划在 NVIDIA GPU 上训练，请安装训练附加组件。此命令还会安装兼容 CUDA 的 PyTorch 构建版本：

pip install "brewery-ai[train] @ git+https://github.com/empero-org/brewery-ai"

对于 AMD GPU，请先安装适用的 PyTorch ROCm 构建版本，然后安装带训练附加组件的 Brewery。在 Windows 上，请保持设置 PIP_CONSTRAINT=constraints-windows-rocm.txt，以便 pip 保留已安装的 AMD PyTorch。

Apple Silicon 和仅使用 CPU 的系统适合运行小型测试，而酿酒师可以引导你租用 GPU 来训练更大的模型。

开始第一次引导式酿造

启动 brewery 后，用自然语言描述你想构建的模型。例如：

a chatbot that explains chemistry like a friendly pirate

酿酒师会将这个想法转化为具体的训练计划。它可以考虑期望的行为、可用硬件、模型大小、训练方法、数据要求、预计成本和许可证限制。如果当前计算机没有合适的 GPU，它可能会建议租用 24 GB GPU，并估算大致运行成本。

在 Brewery 中，所有会产生费用、安装软件、向其他地方发送数据或发布模型的操作都需要确认。AI 向导无法绕过这些提示，密码、API 密钥和令牌也不会通过聊天传递。

遵循 Brewery 工作流程

1. 明确目标

说明模型应该做什么、应采用哪种风格、应了解哪些主题，或应支持哪些工具和格式。持续回答酿酒师的问题，直到目标足够具体，可以进行训练和评估。

2. 选择计算资源

使用 brewery hardware 检查当前系统：

brewery hardware

在本地训练前，Brewery 会执行一次真实的 GPU 操作，让驱动程序或 PyTorch 问题在长时间任务开始前暴露出来。对于远程训练，Brewery 会帮助准备 SSH 服务器、上传必要的数据，并以脱离终端的方式运行任务，因此即使关闭终端，任务也会继续。

3. 选择基础模型

Brewery 支持包括 Qwen3、Qwen3.5、相关 Qwen 架构、Qwen3.5 MoE、Llama 3.1 至 3.3、Gemma 3 和 Gemma 4 在内的文本模型系列。对于图像训练，它支持 Qwen-Image 2.1 LoRA 适配器。

使用模型浏览器查看可用的基础模型：

brewery models --modality text
brewery models --modality image
brewery models --all

酿酒师会综合考虑目标、硬件和许可证要求，并在适用时检查受限模型的访问权限。

4. 准备训练数据

你可以搜索并预览 Hugging Face 数据集而无需下载，也可以导入本地文件、让酿酒师编写示例，或使用现有的图像数据集。合成数据是可选的，并会根据你的需求说明进行塑造。Brewery 会在生成前显示提供商条款。

例如，你可以要求酿酒师用特定语气改写现有数据集、根据需求说明创建对话，或生成用于 DPO 的偏好对。使用以下命令清理导入的数据：

brewery etf validate path/to/data.jsonl

在项目中，训练集存储在 data/_sets/ 下。Brewery 可以删除空记录、重复记录或损坏记录，同时保留备份。

5. 选择训练方案

每个任务都有一个目标，并且可以从较早的阶段开始：

• SFT：教导指令模型学习某种行为、风格、格式或工具使用模式。
• 先 CPT 后 SFT：先使用原始领域文本教导基础模型，然后训练它进行对话式交互。
• 先 SFT 后 DPO：先教导模型学习目标行为，再使用精选的响应对来强化偏好。

在进入下一阶段之前，LoRA 阶段会合并到其起始权重中，使串联的训练方案能够整洁地叠加。Brewery 的 propose_training_config 工具会根据受支持的模型指南补全超参数，并根据可用 GPU 的配置调整训练方案规模。

6. 运行训练

查看预计内存、时间和成本后，确认建议的训练方案。训练任务会在选定的机器上以分离模式运行，而 Brewery 会报告进度、损失和预计完成时间。如果任务失败，brewmaster 会提供通俗易懂的解释和建议的修复方法。

你可以使用以下命令查看任务：

brewery status
brewery status JOB

关闭终端不会停止分离运行的训练任务。返回项目文件夹并运行 brewery 即可恢复会话。

7. 测试结果

训练完成后，使用提示词测试新模型，并将其回答与基础模型进行比较。对于偏好调优，Brewery 可以为每个提示词生成两个候选回答。你可以在终端中选择更好的回答，也可以让指导 AI 根据评分标准进行评判，然后抽查它的判断。

有用的会话命令包括：

• /status 显示当前项目和任务状态。
• /jobs 列出训练任务。
• /watch 跟踪活动中的任务。
• /level 更改解释级别。
• /usage 显示使用信息。
• /help 列出可用命令。

8. 导出与发布

结果准备就绪后，Brewery 可以导出适配器或合并模型、生成模型卡、包含相关许可文件，并将模型上传到 Hugging Face。模型卡可以包含训练方案、数据来源、许可信息、致谢以及训练前后的样本。

上传内容默认设为私有。在将仓库设为公开之前，请检查模型卡和许可要求。使用租用的基础设施时，请记得停止或销毁服务器：已停止的 Pod 和实例仍可能产生存储费用。

使用预览检查点训练图像 LoRA

对于 Qwen-Image 2.1 LoRA 任务，Brewery 会在训练期间渲染预览图像。它会在第零步创建基线集，并在各个检查点创建额外的数据集，使用一致的种子，从而更容易进行视觉比较。

预览文件会下载到类似 runs/<job>/samples/step_NNNNNN/ 的路径。每组预览都有对应的检查点。如果较早的检查点看起来比最终结果更好，可以让 brewmaster 打包该检查点。

在会话期间使用 /gallery 可启动本地并排图库。它会在你的计算机上通过类似 http://127.0.0.1:8765/<random-token>/ 的本地地址提供服务，外部无法访问。图库会随着新预览到达而更新，支持放大图像，也支持与基础模型进行比较。

高级技巧

谨慎选择指导 AI

Claude 是获得最强指导的推荐选项，而兼容 OpenAI 的提供商和 OpenRouter 则提供更广泛的模型选择。Ollama 和 LM Studio 支持本地运行；Brewery 建议使用支持工具调用且参数量达到 14B 或更大的本地模型，以获得良好效果。不具备原生工具调用能力的模型，仍可通过自动文本协议驱动。

你可以随时使用以下命令更换指导模型：

brewery setup

使用 ETF 构建一致的数据管道

ETF 为不同类型的训练材料提供统一的 JSONL 格式，包括聊天记录、系统提示词、工具架构和调用、推理、RAG 文档、偏好对、原始文本、补全内容和图像。这使得验证数据并在项目阶段之间迁移数据更加容易。格式详情请参阅 ETF 文档。

调整终端行为

对于功能受限的终端，可以使用环境变量简化界面或控制合成数据生成：

BREWERY_AI_PLAIN_INPUT=1
BREWERY_AI_SIMPLE_PROMPTS=1
BREWERY_AI_THINKING=off
BREWERY_AI_SYNTH_WORKERS=4

BREWERY_AI_SYNTH_WORKERS 接受从 1 到 16 的值。思考显示可以设置为 on、full 或 off。

了解项目布局

Brewery 项目会将决策、数据集、任务、结果和对话历史集中保存：

my-project/
  brewery.yaml
  data/
  data/_sets/<name>/
  runs/<job_id>/
  .brewery/

路径以相对于项目的形式存储，并使用正斜杠，因此项目可以在不同计算机和操作系统之间迁移。用户设置存储在 ~/.config/brewery-ai/ 中；在 Windows 上则存储在 %APPDATA%\brewery-ai\ 中。

结语

Brewery 将模型微调转变为一个有指导且可检查的工作流。安装控制平面应用，选择能力足够的 brewmaster，描述你的目标，准备并验证数据，批准适配硬件的训练方案，然后让 Brewery 管理训练、测试、导出和发布。可以从小型 SFT 项目开始，随着需求增长，再探索串联的 CPT、SFT 和 DPO 训练方案或图像 LoRA。