在使用modelscope（或类似的机器学习平台）进行模型的自我感知微调（self-supervised fine-tuning）时，进度条卡顿数分钟可能由多种因素导致，而不仅仅是算力的问题。以下是一些可能的原因：
算力限制：
如果CPU实例的算力较低，处理大型模型或数据集时确实可能导致进度条卡顿。
即使对于较小的模型或数据集，如果CPU实例同时处理其他高负载任务，也可能导致性能下降。
数据加载：
如果数据集很大或存储位置访问速度较慢（如网络存储），数据加载可能成为瓶颈。
数据预处理步骤也可能消耗大量时间，尤其是当它们涉及到复杂的计算或I/O操作时。
模型复杂度：
模型的复杂性和大小会影响微调的速度。大型模型通常需要更多的计算资源来处理。
代码或框架效率：
使用的代码或机器学习框架可能不是最优化的，导致不必要的计算开销。
如果使用了不合适的批处理大小（batch size）或学习率等超参数，也可能影响训练速度。
系统资源限制：
CPU实例可能受到内存、磁盘I/O或其他系统资源的限制。
如果系统中运行了多个进程或任务，它们可能会争夺相同的资源，导致性能下降。
网络延迟：
如果你的代码或数据集依赖于网络访问（例如，从远程存储加载数据），网络延迟也可能导致进度条卡顿。
软件或库的问题：
使用的软件或库可能存在bug或性能问题，导致进度条卡顿。
为了确定具体原因，你可以尝试以下方法：
监控资源使用情况：使用系统监控工具来查看CPU、内存、磁盘和网络的使用情况，以确定是否存在资源瓶颈。
简化任务：尝试使用较小的模型或数据集进行微调，以观察是否仍然出现卡顿现象。
优化代码和框架：检查你的代码和使用的机器学习框架是否是最优化的，并尝试调整超参数以改善性能。
升级硬件：如果可能的话，尝试使用更强大的CPU实例或添加更多的计算资源来加快微调过程。
综上所述，进度条卡顿数分钟可能由多种因素导致，不一定完全是算力的问题。通过仔细分析和优化你的环境、代码和资源使用，你应该能够找到并解决导致卡顿的根本原因。