打造基于Qwen3-vl-30B-A3B-Instruct的中文作文自动阅卷助手
打造基于Qwen3-vl-30B-A3B-Instruct模型的中文作文自动阅卷助手，旨在革新传统作文批改模式，精准应对K-12及高等教育中作文评估的三大核心挑战：减轻教师繁重负担、减少评分主观偏差、实现即时学习反馈。
该助手通过对高质量中文作文数据进行指令微调，使大语言模型深度对齐具体评分标准，能快速、客观、一致地完成作文多维度分析与评分，为教学提供高效、科学的智能支持。 LLaMA Factory作为成熟的大语言模型微调框架，凭借便捷的WebUI操作界面简化模型训练、推理与部署流程，为微调提供了理想工具支持。
前提条件
- 用户已经获取LLaMA Factory Online平台账户和密码，如果需要帮助或尚未注册，可参考注册账户完成注册。
- 当前账号的余额充裕，可满足模型微调服务的需要。单击可了解最新的活动及费用信息，或前往充值，如需了解更多请联系我们。
配置概览
| 配置参数 | 配置项 | 是否预置 | 说明 |
|---|---|---|---|
| 模型 | Qwen3-vl-30B-A3B-Instruct | 是 | 稀疏激活，仅3B参数激活，支持高分辨率动态切换。 |
| 数据集 | AES_Dataset | 否（提供下载链接） | 这是一个专注于中国高中阶段的中文作文数据集，具有鲜明的教育领域特征。该数据集包含300篇精选作文样本。 |
| GPU | H800*1（推荐） | - | - |
| 微调方法 | lora | - | 显著降低计算与存储成本，兼具高性能与部署灵活性。 |
资源消耗预览
使用推荐资源（H800*1）进行微调时微调过程总时长约45min。
操作步骤
步骤一：数据准备
本项目选用AES_Dataset作为核心训练数据。这是一个专注于中国高中阶段的中文作文数据集，具有鲜明的教育领域特征。该数据集包含编号从 A-0001 至 A-0300 共300篇精选作文样本，涵盖了该阶段常见的主题指导及相关议论文/记叙文。这要求模型具备较高层次的逻辑推理、修辞赏析及价值观判断能力。
-
单击链接，下载AES_Dataset数据集。数据集下载完成后，在本地解压缩，然后需上传至LLaMA Factory Online平台的文件管理。具体操作，可参考SFTP上传下载完成数据集上传。
-
数据格式转换。将作文文本格式转换成图片格式。格式转换的具体步骤如下：
a. 进入LLaMA-Factory Online平台，单击“控制台”，进入控制台后单击左侧导航栏的“实例空间”，然后在页面单击“开始微调”。
b. 在弹出的页面选择镜像（如图①），选择“CPU”，核数选择“2核”（如图②），然后单击“启动”。
提示系统会根据所需资源及其相关参数，动态预估数据处理费用，您可在页面底部查看预估结果。
c. 实例启动后，单击[VSCode处理专属数据]页签，进入VSCode编辑页面。您也可以根据需要打开JupyterLab处理专属数据，本示例指导您通过VSCode处理数据。
d. 在VSCode页面左侧user-data/datasets/AES_Dataset目录下新建一个.py后缀的文件（如图①），然后复制以下命令至文件中（如图②）。
代码详情
#多模态数据格式转换代码
#文本转图片
import os
from PIL import Image, ImageDraw, ImageFont
# ---------- 参数 ----------
INPUT_DIR = "/workspace/user-data/datasets/AES_Dataset/essays" # 原始 txt
OUTPUT_DIR = "/workspace/user-data/datasets/AES_Dataset/essays_png" # 输出 png
WIDTH, HEIGHT = 1240, 1754 # A4 150 dpi
MARGIN = 60 # 四边留白
FONT_SIZE = 20
LINE_HEIGHT = FONT_SIZE + 10
BG_COLOR, FG_COLOR = "white", "black"
FONT_PATH = "/workspace/user-data/datasets/AES_Dataset/SIMHEI.TTF" # 确保存在
# --------------------------
os.makedirs(OUTPUT_DIR, exist_ok=True)
font = ImageFont.truetype(FONT_PATH, FONT_SIZE)
def pixel_wrap(text: str, font: ImageFont.FreeTypeFont, max_px: float, draw: ImageDraw.Draw):
"""逐字符量像素，强制折行，返回行列表"""
lines, line = [], ""
for ch in text:
if draw.textlength(line + ch, font=font) <= max_px:
line += ch
else:
if line:
lines.append(line)
line = ch
if line:
lines.append(line)
return lines
for txt_name in os.listdir(INPUT_DIR):
if not txt_name.endswith(".txt"):
continue
with open(os.path.join(INPUT_DIR, txt_name), encoding="utf-8") as f:
text = f.read().strip()
img = Image.new("RGB", (WIDTH, HEIGHT), BG_COLOR)
draw = ImageDraw.Draw(img)
max_width = WIDTH - 2 * MARGIN # 可打印像素宽度
y = MARGIN
for para in text.splitlines():
if para.strip() == "":
y += LINE_HEIGHT
continue
# 按像素折行
for line in pixel_wrap(para, font, max_width, draw):
draw.text((MARGIN, y), line, font=font, fill=FG_COLOR)
y += LINE_HEIGHT
if y > HEIGHT - MARGIN:
break
if y > HEIGHT - MARGIN:
break
out_path = os.path.join(OUTPUT_DIR, txt_name.replace(".txt", ".png"))
img.save(out_path)
print("saved", out_path)
print("✅ 全部转换完成，右侧无截字。输出目录：", OUTPUT_DIR)
e. 在VSCode页面，新建一个终端，依次执行以下命令，进行数据格式转换。
conda activate /opt/conda/envs/lf
python /workspace/user-data/datasets/AES_Dataset/text_to_image.py提示text_to_image.py为本示例新建的文件，请根据您的实际情况进行替换。
回显信息如下图所示，说明格式转换成功。
-
数据集注册。
在/workspace/llamafactory/data/dataset_info.json配置文件中（如图①），配置如下内容，注册数据集（如图②）。
Details
"aes_data": {
"file_name": "/workspace/user-data/datasets/AES_Dataset/aes_data.json",
"formatting": "sharegpt",
"columns": {
"messages": "conversations",
"images": "images"
},
"tags": {
"role_tag": "from",
"content_tag": "value",
"user_tag": "user",
"assistant_tag": "assistant"
},
"customized_status": 8,
"total_tokens": "319459",
"num_samples": "300",
"avg_tokens": "1064.86"
}
-
数据集检测。
a. 返回LLaMA-Factory Online控制台，单击左侧导航栏的“文件管理”。
b. 单击目标数据集右侧“操作”列的"数据集检测"，检测数据集。如下图所示，若“数据集格式检测”结果显示“符合”，则表示数据集符合格式要求。
步骤二：模型训练
我们使用LLaMA Factory Online通过任务模式运行微调任务，操作详情如下所示。
-
进入LLaMA-Factory Online平台，单击“控制台”，进入控制台后单击左侧导航栏的“模型微调”进入页面。
-
选择基础模型和数据集，进行参数配置。如下表所示，具体可参考下图。
-
资源配置。推荐卡数为1卡。
-
选择价格模式。本实践选择“极速尊享”，不同模式的计费说明参考计费说明。
-
开始训练。单击“开始训练”按钮，开始模型训练。
配置参数 参数说明 参数 基础配置 model 训练用的基模型。 Qwen3-VL-30B-A3B-Instruct dataset 训练使用的数据集名称。 aes_data stage 训练方式 sft finetuning_type 微调方法 lora 进阶配置 LR Scheduling Type 动态调整学习率的方式。 cosine Max Gradient Norm 梯度裁剪的最大范数，用于防止梯度爆炸。 1.0 训练配置 Learning Rate 学习率 5e-05 Epochs 训练轮数 3 per_device_train_batch_size 单GPU批处理大小。 2 Gradient Accumulation 梯度累计，将一个完整批次的梯度计算拆分为多个小批次，逐步累积梯度，最后统一更新模型参数。 4 Save steps 训练过程中每隔多少个训练步保存一次模型。 200 Warmup Ratio 将学习率从零增加到初始值的训练步数比例。 0 Chat Template 基模型的对话模版，训练和推理时构造prompt的模版。 qwen3 效率与性能配置 Mixed Precision Train 混合精度训练，模型在训练或推理时所使用的数据精度格式，如 FP32、FP16 或 BF16。 bf16 数据参数配置 Max Sample Size 每个数据集的最大样本数：设置后，每个数据集的样本数将被截断至指定的 max_samples。 100000 Cutoff Length 输入的最大 token 数，超过该长度会被截断。 2048 Preprocess Workers 预处理时使用的进程数量。 32 日志配置 Logging Steps 日志打印步数。 5 LoRA配置 Lora Rank LoRA 微调的本征维数 r，r 越大可训练的参数越多。 8 LoRA Scalling Factor LoRA 缩放系数。一般情况下为 lora_rank * 2。 16 Random dropout LoRA 微调中的 dropout 率 0 LoRA Modules Lora作用模块 all 
提示配置模型与数据集后，系统将根据所需资源及其相关参数，动态预估任务运行时长及微调费用，您可在页面底部查看预估结果。
-
-
通过任务中心查看任务状态。 在左侧边栏选择”任务中心“，即可看到刚刚提交的任务。可以通过单击任务框，可查看任务的详细信息、超参数、训练追踪和日志。
-
任务完成后，模型自动保存在"文件管理->模型->output"文件夹中。可在"任务中心->基本信息->模型成果"处查看保存路径。
loss结果：
通过loss曲线可以看出训练有效且逐步收敛，但存在一定波动，可通过调整训练策略（如增大 batch_size、微调学习率）进一步优化稳定性。
步骤三：模型评估
-
单击页面左侧导航栏“模型评估”，进行评估训练配置。
-
微调模型选择上一步骤微调后的模型，评估数据集选择文件管理处：
aes_data。其他参数设置如下图所示。
提示配置模型与数据集后，系统将根据所需资源及其相关参数，动态预估任务运行时长及微调费用，您可在页面底部查看预估结果。
-
可以在“任务中心->模型评估”下看到评估任务的运行状态。
-
单击
图标，进入任务基本信息查看页面。用户可查看评估任务的基本信息、日志，评估结束后，可查看评估结果如下图所示。
评估结果显示：ROUGE-1/ROUGE-2指标表现不错，说明生成内容在 “字词、短语层面” 与参考文本的覆盖度、匹配度较高；BLEU-4处于中等水平，意味着生成文本与参考文本的长短语重合度还有提升空间。
步骤四：模型对话
-
单击左侧导航栏“模型对话”按钮进入模型对话页面。
-
在微调模型处选择微调的模型名称（如图①）。单击右上角“开始对话”，在弹出的“LORA模型对话限时免费”对话框，单击“立即对话”。
-
在输入框上传一张作文图片（如图②），并输入问题（如图③），单击发送（如图④）；在对话框中查看对话详情（如图⑤）。
模型输出结果解读：这个阅卷结果维度完整、判断客观，既肯定了作文在结构逻辑、思想深度、语言表达上的优势，也精准点出了衔接的不足，其给出的得分与作文的实际质量匹配度较高，是一份专业的作文评析。
总结
综上所述，基于Qwen3-vl-30B-A3B-Instruct打造的中文作文自动阅卷助手，是聚焦K-12至高等教育场景的智能教学辅助工具，核心解决传统作文批改中 “教师批量批改负担重、评分主观性偏差大、学生反馈滞后” 的痛点。借助大语言模型（LLM）驱动的自动作文评分（AES）技术，该助手针对高质量中文作文数据集完成LoRA微调，实现了与标准化评分标准的精准对齐；同时依托LLaMA Factory Online平台提供的高性能GPU支持，兼顾了阅卷效率与成本优势。他既能为教师减轻批改压力，也能以客观量化的评估结果、即时的写作反馈助力学生迭代写作能力，是推动教学反馈环节智能化、高效化的实用方案。