MaxCompute x DataWorks × DeepSeek，实现使用自定义数据集微调DeepSeek-R1蒸馏模型

原创阿里云大数据AI技术 2025-02-28

102

一、整体概要

基于阿里云云原生大数据计算服务MaxCompute以及大数据开发治理平台DataWorks实现使用自定义数据集微调DeepSeek-R1蒸馏模型主要分为两大部分，一部分是基于人工智能平台PAI的微调训练，第二部分是通过如何构建自有数据集，并进行接入，下面我们以MaxCompute+DataWorks+PAI为基础，快速微调DeepSeek-R1蒸馏模型。

二、如何微调DeepSeek

进入人工智能平台PAI控制台，左侧导航栏进入快速开始 > Model Gallery，选择模型。下面我们以DeepSeek-R1-Distill-Qwen-7B为例，进行微调训练。（其他模型微调也可以基于这个流程）

进入 DeepSeek-R1-Distill-Qwen-7B 模型页面后，点击“训练”按钮，核心是基于自有数据集进行模型调优，自有数据集可以选择存在对象存储OSS的数据，也可以选择存在MaxCompute的数据，下面我们以存在MaxCompute的数据的自有数据集为例进行DEMO演示。

训练数据集选择自定义数据集-新建数据集。

存储类型选择云原生大数据计算服务 MaxCompute。

导入MaxCcompute的项目名和表名进行关联，进行挂在路径配置。

然后再选择模型输出路径。

最后选择相应的资源配置，及参数配置，点击“训练”就可以基于自有数据集进行微调了，一起试试吧。

三、如何构建自有数据集，接入DeepSeek进行微调

在人工智能平台PAI上使用自定义数据集，主要需要关联MaxCompute的项目和数据表。首先创建MaxCompute项目：打开MaxCompute控制台，点击左侧导航栏【工作区】-【项目管理】，选择【新建项目】

创建MaxCompute表：打开DataWorks控制台，左侧导航栏选择【数据开发与运维】->【数据开发】，进入数据开发界面，界面左侧导航栏【表管理】新建表，详细建表过程可参考文档。

自定义数据集写入

表结构新建好并提交发布后，您可以使用DataWorks通过数据集成任务、MaxCompute节点任务向MaxCompute表中写入数据，DataWorks深度适配数十种大数据及AI计算引擎进行数据集成，支持自定义数据集的开发与调度。此外，DataWorks还支持通过上传数据功能将本地数据导入MaxCompute表中。当然，也可以使用DataWorks对写入的数据进行二次开发。