从0到1落地智能家居AI交互：LLaMA Factory & Qwen3-4B 微调实战指南
从0到1落地智能家居AI交互：LLaMA Factory & Qwen3-4B 微调实战指南
在智能家居逐渐普及的今天，自然语言交互已成为许多家庭的控制入口。
你是否也曾遇到这样的场景：对着智能家居发出指令，它却理解错了你的意思，或是理解的不到位？
这背后其实是通用大模型在垂直场景中面临的普遍困境，尽管它们具备强大的泛化能力，但在真实家居环境中，常常出现精度不足、响应延迟高、资源消耗大等问题。
尤其在边缘设备上运行，这些矛盾更加凸显。
因此，为了满足轻量级模型契合智能家居场景的基础需求，我们基于大模型实验室Lab4AI平台开展了基于Qwen3-4B的智能家居轻量化模型这个项目。
该项目针对智能家居控制任务（如设备指令解析、条件触发、复杂场景模式）构建了从数据工程到模型生产化的完整流程。
除了这个项目，Lab4AI大模型实验室项目复现板块还上架了许多热门案例，新用户注册，领取6.5h H800GPU体验时长，体验大模型训练、微调与推理。
01 微调后效果一览
通过在大模型实验室Lab4AI上的一键体验，用户可以快速对比基线模型与微调后模型的效果。
下面是微调后的模型对条件触发型指令和基础控制型指令的输出解读。
1. 场景一：条件触发型
1. 场景二：基础控制型
从两个典型场景的输出结果来看：微调后的轻量级模型在智能家居指令解析中，任务识别精准、输出结构化适配工程落地。
02 项目实战
本项目的复现可遵循“环境准备-数据准备-模型微调-模型推理”四步骤，流程清晰且能够一键体验。
▾ Step 1 环境准备
大模型实验室Lab4AI已经预安装了此项目需要的环境，并且存放在了 env/smarthome 目录下。
您无需安装依赖包，只需激活环境就可以使用。
这种“低门槛+易操作”的组合，也恰好解决了学习者不用再为环境搭建、代码调试耗费精力的烦恼。
▾ Step 2 数据准备
本实践选择 Smart Home Command Dataset 作为基准数据，该数据集旨在用繁体中文训练大型语言模型（LLM），用于控制智能家居系统，特别是针对家庭助理系统。
数据集包含用户输入的繁体中文，输出是结构化的 JSON 命令，代表用户控制智能家居设备的意图。
我们已经将数据集下载，并存放在了 dataset 文件夹下。
由于数据中存在格式不规范、模糊指令、条件判断失效等现象，所以我们需要做数据处理。
(1) 统一数据格式
由于 LLaMA-Factory 支持 Alpaca 格式的数据，所以我们对数据格式做了标准化。并且在“output”中补全缺失的字段“function”。
(2) 解决条件判断失效问题
针对条件判断失效的问题，使用以下规则改写。
- 1） 命中"instruction"中"条件+动作"的指令（如果/若/当/當/的话/的話/分钟后/分鐘後/小时后/小時候後）
将"output"统一为：
"mcp_type": "sensor_trigger", "function": "create_automation", "params": {"trigger": {}}
- 2） 相对时间改写（如“一小时/一小時/半小时/半小時/五分钟/五分鐘/十分钟/十分鐘/...后”）
trigger写成：{"time_after": "NhNmNs"}，并支持中文数字转换。
- 一小时/一小時 → `"1h"`
- 半小时/半小時 → `"30m"`
- 五分钟/五分鐘 → `"5m"`
- 十分钟/十分鐘 → `"10m"`
- 3）绝对时间改写（如“十点三十分/10:30/十點半/十點十分”）
`trigger` 写成：`{"time": "HH:MM"}`（24小时制标准化）
- 4） 比较条件改写（温度/湿度/PM2.5/CO₂/电量等 + 大于/小于/≥/≤/...）
"trigger": {"temperature" | "humidity" | "pm25" | "co2" | "battery": {"operator": "...", "value": ...}}
处理后的数据保存在了 dataset/smart_home_fixed.json 中。
▾ Step 3 模型微调
本项目采用轻量化基础模型，在垂直场景语料上进行定向微调，选择的基础模型是Qwen3-4B-Instruct-2507 。
▾ Step 4 模型推理
本项目使用LightLLM服务部署并执行推理。
03 项目总结
从两个典型场景的输出结果来看，该轻量级模型在智能家居垂直场景的指令解析能力已具备较高的工程实用价值，具体分析如下：
1. 任务识别精准度
- 条件触发型场景：模型准确识别“十分钟后启动”为时间条件触发任务，通过
mcp_type: sensor_trigger和function: create_automation明确任务类型，输出的trigger和action字段完整映射了延迟触发逻辑与设备动作，无语义偏差。 - 基础控制型场景：模型精准解析“调湿度到 3 挡”为实时参数调节任务，通过
mcp_type: io和function: set_humidity区分基础控制与自动化任务，参数中设备 ID、目标值清晰明确，无需二次确认即可执行。
2. 结构化输出的工程适配性
- 两个场景的输出均采用标准 JSON 格式，字段定义（如
trigger/action/params）与智能家居中控系统的接口规范高度对齐，可直接被设备控制引擎调用，无需额外格式转换。 - 条件触发场景中，
time_after: 10m的时间格式、基础控制场景中confirm: false的交互逻辑，均符合工业级落地的细节要求。
3. 场景覆盖与泛化能力
- 已验证的两类场景覆盖了智能家居中的高频指令类型（基础控制 + 条件触发），且输出无关键信息缺失（如设备 ID、参数值、触发条件）。
- 模型对“空气净化器”这类特定设备的指令解析一致性高，未出现设备类型混淆或参数错误。
04 给新手的秘密武器
如果你还没接触过 LLaMA Factory 这个明星微调框架，快来看看《从零开始玩转 LLaMA Factory 大模型微调》这门课程！
随着多模态的应用场景越来越丰富，为了顺应大模型的发展需求，以及响应 LLaMA Factory 粉丝的呼声，我们在《从零开始玩转 LLaMA Factory 大模型微调》课程基础上做了重磅升级，新增多模态实战内容，但是加量不加价。
课程亮点
- 作者亲授：LLaMA-Factory 开源作者亲自教学，拒绝二手解读、拒绝搬运教程
- 新增多模态实战内容：紧跟大模型发展趋势，课程全面升级！
早鸟价仅 450 元，包含：
- ✨ 价值 300 元的配套算力资源（开箱即用）
- ✨ 官方完课证书
- ✨ 独家《大模型微调实战手册》
- ✨ 课程期间专家答疑支持
浙公网安备 33010602011771号