diff --git a/frontend/train_page.py b/frontend/train_page.py
index 62b5d8f..2613556 100644
--- a/frontend/train_page.py
+++ b/frontend/train_page.py
@@ -1,8 +1,20 @@
 import gradio as gr
 import sys
+import torch
+from tinydb import Query
 from pathlib import Path
+from datasets import Dataset as HFDataset  
+
+from unsloth import FastLanguageModel
+from trl import SFTTrainer  # 用于监督微调的训练器
+from transformers import TrainingArguments,DataCollatorForSeq2Seq  # 用于配置训练参数
+from unsloth import is_bfloat16_supported  # 检查是否支持bfloat16精度训练
+from unsloth.chat_templates import get_chat_template
+from tools import formatting_prompts_func
+
 sys.path.append(str(Path(__file__).resolve().parent.parent))
 from global_var import get_model, get_tokenizer, get_datasets
+from tools import formatting_prompts_func
 
 def train_page():
     with gr.Blocks() as demo:
@@ -18,12 +30,119 @@ def train_page():
             allow_custom_value=True,
             interactive=True
         )
+        train_button = gr.Button("开始微调")
+        
+        # 训练状态输出
+        output = gr.Textbox(label="训练日志", interactive=False)
+        
+        def train_model(dataset_name):
+            # 模型配置参数
+            max_seq_length = 4096  # 最大序列长度
+            dtype = None  # 数据类型，None表示自动选择
+            load_in_4bit = False  # 使用4bit量化加载模型以节省显存
+
+            # 加载预训练模型和分词器
+            model = get_model()
+            tokenizer = get_tokenizer()
+
+            model = FastLanguageModel.get_peft_model(
+                # 原始模型
+                model,
+                # LoRA秩,用于控制低秩矩阵的维度,值越大表示可训练参数越多,模型性能可能更好但训练开销更大
+                # 建议: 8-32之间
+                r=16,
+                # 需要应用LoRA的目标模块列表
+                target_modules=[
+                    "q_proj", "k_proj", "v_proj", "o_proj",  # attention相关层
+                    "gate_proj", "up_proj", "down_proj",  # FFN相关层
+                ],
+                # LoRA缩放因子,用于控制LoRA更新的幅度。值越大，LoRA的更新影响越大。
+                lora_alpha=16,
+                # LoRA层的dropout率,用于防止过拟合,这里设为0表示不使用dropout。
+                # 如果数据集较小，建议设置0.1左右。
+                lora_dropout=0,
+                # 是否对bias参数进行微调,none表示不微调bias
+                # none: 不微调偏置参数；
+                # all: 微调所有参数；
+                # lora_only: 只微调LoRA参数。
+                bias="none",
+                # 是否使用梯度检查点技术节省显存,使用unsloth优化版本
+                # 会略微降低训练速度，但可以显著减少显存使用
+                use_gradient_checkpointing="unsloth",
+                # 随机数种子,用于结果复现
+                random_state=3407,
+                # 是否使用rank-stabilized LoRA,这里不使用
+                # 会略微降低训练速度，但可以显著减少显存使用
+                use_rslora=False,
+                # LoFTQ配置,这里不使用该量化技术，用于进一步压缩模型大小
+                loftq_config=None,
+            )
+
+                # 配置分词器
+            tokenizer = get_chat_template(
+                tokenizer,
+                chat_template="qwen-2.5",
+            )
+
+            # 加载数据集
+            dataset = get_datasets().get(Query().name == dataset_name)
+            dataset = [ds["message"][0] for ds in dataset["dataset_items"]] 
+            dataset = HFDataset.from_list(dataset)
+            dataset = dataset.map(formatting_prompts_func, 
+                                fn_kwargs={"tokenizer": tokenizer},
+                                batched=True)
+            print(dataset[5])
+
+
+            # 初始化SFT训练器
+            trainer = SFTTrainer(
+                model=model,  # 待训练的模型
+                tokenizer=tokenizer,  # 分词器
+                train_dataset=dataset,  # 训练数据集
+                dataset_text_field="text",  # 数据集字段的名称
+                max_seq_length=max_seq_length,  # 最大序列长度
+                data_collator=DataCollatorForSeq2Seq(tokenizer=tokenizer),
+                dataset_num_proc=1,  # 数据集处理的并行进程数，提高CPU利用率
+                packing=False,
+                args=TrainingArguments(
+                    per_device_train_batch_size=2,  # 每个GPU的训练批次大小
+                    gradient_accumulation_steps=4,  # 梯度累积步数,用于模拟更大的batch size
+                    warmup_steps=5,  # 预热步数,逐步增加学习率
+                    learning_rate=2e-4,  # 学习率
+                    lr_scheduler_type="linear",  # 线性学习率调度器
+                    max_steps=60,  # 最大训练步数（一步 = 处理一个batch的数据）
+                    # 根据硬件支持选择训练精度
+                    fp16=not is_bfloat16_supported(),  # 如果不支持bf16则使用fp16
+                    bf16=is_bfloat16_supported(),  # 如果支持则使用bf16
+                    logging_steps=1,  # 每1步记录一次日志
+                    optim="adamw_8bit",  # 使用8位AdamW优化器节省显存，几乎不影响训练效果
+                    weight_decay=0.01,  # 权重衰减系数,用于正则化，防止过拟合
+                    seed=3407,  # 随机数种子
+                    output_dir="outputs",  # 保存模型检查点和训练日志
+                    save_strategy="steps",  # 按步保存中间权重
+                    save_steps=20,  # 每20步保存一次中间权重
+                    # report_to="tensorboard",  # 将信息输出到tensorboard
+                ),
+            )
+
+            # 开始训练，resume_from_checkpoint为True表示从最新的模型开始训练
+            trainer_stats = trainer.train(resume_from_checkpoint = True)
+
+            
+                    
+        train_button.click(
+            fn=train_model,
+            inputs=dataset_dropdown,
+            outputs=output
+        )
 
     return demo
 
 if __name__ == "__main__":
     from global_var import init_global_var
+    from model_manage_page import model_manage_page
     init_global_var("workdir")
-    demo = train_page()
+    demo = gr.TabbedInterface([model_manage_page(), train_page()], ["模型管理", "聊天"])
+    # demo = gr.TabbedInterface([ train_page()], ["模型管理", "聊天"])    
     demo.queue()
     demo.launch()
\ No newline at end of file