53 行模型表怎么读：为什么它不等于「100+ 模型」
本文所有事实以
hiyouga/LlamaFactory官方仓库 2026-08-09 的内容为准。我们没有安装、训练或部署过任何模型，文中数字均为仓库文档与源码里写着的值。
LlamaFactory 的 README 大标题下那句定位原文是 “Easily fine-tune 100+ large language models with zero-code CLI and Web UI”，而它 Supported Models 那一节的表格，我们逐行数下来是 53 行。这两个数字经常被人当成同一个数字来引用，然后在写文章、做汇报、给同事讲的时候就错了。
它们说的不是一回事：表格的每一行是一个模型系列，而 “100+” 指的是这些系列在 Model size 列展开之后的模型总数。举个表里现成的例子——Qwen3 (MoE/Instruct/Thinking/Next) 只占一行，它的 Model size 列写的是 0.6B/1.7B/4B/8B/14B/32B/80B/235B，一行就摊开了八档。53 行里这样的行是常态，所以行数和模型数差出一个量级毫不奇怪。
结论很简单，但值得写死：你要引用数字时，先说清楚你数的是哪一个。「README 自称支持 100+ 模型」和「Supported Models 表实读 53 行」都是可以写的，把它们混成「支持 53 个模型」或者「表里有 100 多行」就是错的。
三列各自在回答什么问题
这张表只有三列，但三列的用途完全不同，读的时候别平均用力。
第一列 Model，回答的是「这个系列在不在支持范围内」。它是你查表的入口，通常也是唯一一列你会先扫的。
第二列 Model size，回答的是「这个系列被列出来的参数量有哪些档」。用斜杠分隔多档，从表里最小的 270M（Gemma 3 那一行）到最大的 671B（DeepSeek R1 蒸馏系列和 DeepSeek 3-3.2 那两行都出现了 671B），跨度超过三个数量级。这一列常被拿来判断「我的机器能不能跑」，但这张表本身并没有给出任何资源数字——显存那部分在 README 的另一张 Hardware Requirement 表里，而那张表的表头上方，README 自己标了 * estimated（估算）。所以看 Model size 只能知道这个档位存在，推不出你的卡够不够，我们也不据此给任何结论。
第三列 Template，回答的是「配置文件里 template 这个参数该填什么」。这是全表唯一一列你会原样复制到 YAML 里的内容，也是最值得花时间的一列。下面几节基本都在讲它。
第三列的六条注解，哪几条是硬规则
README 在表下给了六条注解。它们不是补充说明，其中几条直接决定你的配置能不能跑对。
第一条，base 模型和 instruct/chat 模型的待遇不一样。 对 “base” 模型，template 可以从 default、alpaca、vicuna 这类里选；但对 “instruct/chat” 模型，README 的措辞是务必使用对应的 template。判断依据就在这条注解的措辞里：base 那一档 README 给的是一个可选集合（default / alpaca / vicuna 等），说明这一档的对话格式由你自己定；instruct/chat 那一档 README 用的是「对应的」，没有留选择余地——权重发布方已经定了一套对话格式，套错就等于用另一种格式跟它说话。至于某个具体权重到底算 base 还是 instruct，README 这张表不负责替你判断，得回权重发布方的模型卡去确认。
第二条，_nothink 后缀是用来区分推理版与非推理版的。 README 举的例子就是 qwen3 与 qwen3_nothink。整张表里带这个后缀的一共出现在 3 处：ernie_nothink、qwen3_nothink、qwen3_5_nothink。也就是说，当你在表里看到某一行的 Template 格子里有两个用斜杠隔开、其中一个带 _nothink 的值，那说明这一行覆盖了两种形态，你得先确定手上这个权重是哪一种，再挑对应的那个值。
第三条是全表最该抄下来贴显示器上的一条：训练与推理必须用同一个 template。 README 原文里 SAME 这个词是全大写强调的（Remember to use the SAME template in training and inference）。这条的实际含义是，template 不是一个「训练时的参数」，它是一个贯穿训练侧和推理侧的约定。你在训练 YAML 里改了它，推理侧那份配置也必须跟着改；只改一边，两边就对不上了。这也是为什么本文一直强调第三列是「要复制的值」——它至少要被复制到两个地方。
第四、第五条是关于 transformers 版本的两个标记。 表里带 \* 的模型，需要从 main 分支安装 transformers，并用 DISABLE_VERSION_CHECK=1 跳过版本检查；带 \*\* 的模型，则需要安装特定版本的 transformers。这两条的处置动作不同，别混着来：前者是装开发版加一个环境变量，后者是把依赖钉到某个版本。
环境变量在两个平台的写法不一样，这里分开写：
# Linux / macOS
export DISABLE_VERSION_CHECK=1
:: Windows
set DISABLE_VERSION_CHECK=1
顺带一提，README 里另一个和取模型直接相关的环境变量 USE_MODELSCOPE_HUB=1（Hugging Face 下载有问题时把来源切到 ModelScope Hub）也是同样的平台差异：Linux/macOS 用 export USE_MODELSCOPE_HUB=1，Windows 用 set USE_MODELSCOPE_HUB=1。README 同时提醒，切了来源之后 model_name_or_path 要填 ModelScope 的 model ID，例如 LLM-Research/Meta-Llama-3-8B-Instruct；换句话说，模型表告诉你 template 填什么，但模型名怎么填取决于你从哪个 Hub 拉，这两件事别混在一起。本站读者以 Windows 居多，照抄 Linux 那一行 export 是很容易发生的事。
第六条，这张表不是权威源。 README 明写：完整模型清单见 src/llamafactory/extras/constants.py；自定义 chat template 加到 src/llamafactory/data/template.py。这一条的价值在于给了你一条查证路径——表里找不到你的模型时，先去 constants.py 里搜一遍，而不是直接下结论说「不支持」。同理，表里的 template 名如果和你在别处看到的对不上，代码里的定义才是当前状态。
四种容易读错的格子写法
这张表的格子里塞了不止一种写法，各自的读法不同。我们只把和「怎么填 template」直接相关的几行摘出来，整表在别处翻 README 就行。
| Model | Model size | Template |
|---|---|---|
| BLOOM/BLOOMZ | 560M/1.1B/1.7B/3B/7.1B/176B | - |
| GPT-2 | 0.1B/0.4B/0.8B/1.5B | - |
| Llama | 7B/13B/33B/65B | - |
| StarCoder 2 | 3B/7B/15B | - |
| MiniCPM 4/5 | 0.5B/1B/8B | cpm4/empty |
| Qwen3 (MoE/Instruct/Thinking/Next) | 0.6B/1.7B/4B/8B/14B/32B/80B/235B | qwen3/qwen3_nothink |
写法一：-。 全表 Template 列为 - 的一共 4 行，就是上表前四行：BLOOM/BLOOMZ、GPT-2、Llama（初代）、StarCoder 2。- 不表示「不支持」，也不表示「留空不填」——按上面第一条注解，这类 base 模型走的是 default / alpaca / vicuna 之类的通用 template，具体挑哪个由你的数据格式决定。
写法二：empty 是个真名字。 MiniCPM 4/5 那一行写的是 cpm4/empty，也就是说其中一档对应的 template，它的名字就叫 empty。这是本表里最容易看走眼的一格：empty 是要原样填进配置的字符串，不是「这格是空的」。
写法三：斜杠分隔的多个 template 名。 除了上面的 cpm4/empty、qwen3/qwen3_nothink，表里还有 falcon/falcon_h1、gemma/gemma2、glm4/glmz1、glm4_moe/glm4_5v、granite3/granite4、phi4_mini/phi4、seed_oss/seed_coder、minicpm_o/minicpm_v、mimo/mimo_v2、minimax1/minimax2、lfm2/lfm2_vl、qwen3_5/qwen3_5_nothink 等等。斜杠的意思是「这一行覆盖的几个子系列各自有各自的 template」，不是「随便挑一个」。挑错的后果和上面第三条是同一件事：训练推理两侧都得是同一个，而且得是你手上那个权重对应的那个。
写法四：多模态和音频系列的 template 是独立命名的。 表里能读出来的一批：mllama（Llama 3.2 Vision）、llava、llava_next、llava_next_video、qwen2_vl、qwen3_vl、intern_vl、kimi_vl、minicpm_v、glm4_5v、pixtral、paligemma、lfm2_vl；音频与全模态那一批是 qwen2_audio、qwen2_omni、qwen3_omni、minicpm_o。这批名字的存在本身就是一条信息：同一家的纯文本模型和视觉模型不共用 template，qwen 和 qwen2_vl 是两个值，不要因为都是 Qwen 就套同一个。
用这张表的查证顺序
把上面几节压成一条可执行的路径，大概是这样：
- 在第一列里找到你的模型系列行（注意找的是系列，不是具体权重名）；
- 到第二列确认你手上那个参数量档位在不在列出的档里；
- 抄第三列的值——如果格子里有斜杠或
_nothink，先确定你的权重属于哪一种形态再挑； - 如果格子是
-，说明这是通用 template 的场景，回第一条注解按 base 模型处理； - 把选定的 template 同步到训练侧和推理侧两份配置里；
- 表里没找到，或者名字对不上，去
src/llamafactory/extras/constants.py查；需要自定义就加到src/llamafactory/data/template.py。
至于 template 具体填错了会表现成什么样、template 之外还有哪些参数必须两侧对齐，这些我们另有一篇专门讲。README 里那张 8 行 × 6 列的训练方法矩阵也一样，它回答的是「怎么训」，模型表回答的是「能训谁」，两张表要一起读才完整——那张矩阵同样另有专篇。
最后补一句边界：这张表里的模型权重各有各自的发布方与许可条款，LlamaFactory 仓库自身的 Apache-2.0 并不覆盖它们，用之前请以各模型官方的许可原文为准。
本文依据 LlamaFactory 官方仓库（github.com/hiyouga/LlamaFactory）的 README、data/README.md、examples/ 下的配置与 src/llamafactory/hparams/ 的参数定义整理，核对日 2026-08-09。本文内容为仓库源码与文档口径，我们没有安装、训练或部署过任何模型，文中显存数字均为官方标注的估算值（README 原文标 * estimated）而非实测占用。参数与默认值随版本变动，请以 llamafactory-cli train -h 的实际输出为准。许可条款请以官方 LICENSE 原文为准，本文不构成法律意见。