⚡ TL;DR — 30-Second Verdict
怎么选：想要图形界面、更广的模型覆盖、开箱即用的 RLHF 和 DPO 训练，选 LLaMA-Factory，它是对新手最友好的微调框架。偏好配置文件工作流、需要 DeepSpeed 或 FSDP 深度集成、想更细粒度控制训练动态，选 Axolotl。
快速对比：LLaMA-Factory 与 Axolotl 核心差异
| 对比项 | LLaMA-Factory | Axolotl |
|---|---|---|
| 接口形式 | 网页界面（LlamaBoard）加命令行 | YAML 配置文件加命令行 |
| 模型支持 | 上百个模型（Llama、Mistral、Qwen 等） | 全部主流模型，走 HF transformers |
| 微调方法 | LoRA、QLoRA、全参、DPO、PPO、ORPO | LoRA、QLoRA、全参、DPO、RLHF |
| 分布式支持 | 支持 DeepSpeed | DeepSpeed 和 FSDP 都支持 |
| 多卡训练 | 支持（DeepSpeed） | 支持（DeepSpeed 加 FSDP） |
| 新手友好度 | 高，有图形界面 | 中等，要写配置文件 |
| 导出格式 | GGUF、vLLM、OpenAI 兼容 | HuggingFace 原生格式 |
LLaMA-Factory 是什么
LLaMA-Factory 的价值在统一接口。用它微调 Mistral 做垂直任务，不用为每个模型维护一套代码；对比 Hugging Face 的 transformers 库需要写大量样板，这个 73k+ star 的框架为上百个模型准备了预设配置，开箱即用。但它的定位很纯粹——只管训练工作流，需要自定义推理优化或高级量化的团队应该另选工具。
— 中国吧 AI Tools Hub Editorial Team on LLaMA-Factory
→ Read the full LLaMA-Factory review
Axolotl 是什么
如果你要把 Llama 系列微调到生产可用，Axolotl 把 SFT、DPO、RLHF 统一在一套配置里，比东拼西凑几个脚本强得多。12k+ star，开箱支持的训练范式比 LitGPT 多。它不适合的情况是需要企业级技术支持，或者你更想直接用 OpenAI API 那种全托管云平台。
— 中国吧 AI Tools Hub Editorial Team on Axolotl
→ Read the full Axolotl review
什么场景该选哪个
Choose LLaMA-Factory if…
Choose Axolotl if…
性能与分布式训练
性能差异主要在多卡规模上。LLaMA-Factory 用 DeepSpeed 做多卡但缺原生 FSDP，超过 8 到 16 张卡复杂度就上来了；Axolotl 同时实现 DeepSpeed 和 FSDP，能在几百张卡上做真正的分布式训练，梯度同步控制更好。做千亿参数级别的生产级微调，Axolotl 的 FSDP 内存开销更低、收敛更快。LLaMA-Factory 则用优化过的 QLoRA 在单张 24GB 显卡上高效训 13B。用 LoRA 时两者吞吐接近，消费级显卡上都是 300 到 500 样本每秒。超大规模集群选 Axolotl，资源受限的研究环境选 LLaMA-Factory。
开发者体验与上手难度
上手体验差在有没有界面。LlamaBoard 让你在下拉框和输入框里配好训练任务直接启动，完全不碰命令行和 YAML，非算法工程师的上手周期从几周压到几小时。Axolotl 要写显式声明超参数的 YAML，需要理解 transformers 库结构和调参概念，对新手门槛高。不过 Axolotl 的「配置即代码」对运维团队很有吸引力，训练配方可以进 Git 做版本管理。LLaMA-Factory 的命令行也支持配置文件，可复现性两边都有。
生态与生产部署
导出能力决定部署形态。LLaMA-Factory 原生导出 GGUF 和 vLLM 格式，可以直接丢给 llama.cpp 跑端侧，或者部署到生产服务器不用转格式；它的 OpenAI 兼容接口输出让替换现有应用变得很简单。Axolotl 主要导出 HuggingFace 原生格式，要转 GGUF 或私有推理引擎得多做一步，但和 Hugging Face 模型仓库的版本管理、分享集成得很紧。跑在 Replicate、Modal 这类云平台上，Axolotl 的生态深度更好；端侧优先或要接口兼容，LLaMA-Factory 的导出灵活性能更快上线。