DeepSeek爆了，普通人如何3小时完全从0训练自己的大模型

今天为大家介绍一个特别实用的开源项目 - MiniMind。它让我们可以用普通电脑，在短短 3 小时内训练出一个迷你版的 ChatGPT！

为防止误读，「最快 3 小时」是指您需要具备＞作者本人硬件配置的机器，具体规格的详细信息将在下文提供。

为什么这个项目这么特别？

目前市面上的大语言模型动辄上百亿参数，训练成本高昂。就算是自己想学习和研究，也会被巨大的硬件门槛挡在门外。而 MiniMind 通过精妙的设计，把模型参数压缩到了最小，让个人开发者也能亲手训练 AI 模型！

最小版本仅有 26M 大小（约为 GPT-3 的 1/7000），一张普通的游戏显卡就能运行。项目提供了完整的训练流程：

1. 基础语言能力训练（预训练）
2. 对话能力训练（指令微调）
3. 快速适应新任务（LoRA 微调）
4. 优化回答质量（DPO 偏好对齐）

环境需要

CPU: Intel(R) Core(TM) i9-10980XE CPU @ 3.00GHz
内存：128 GB
显卡：NVIDIA GeForce RTX 3090(24GB) * 2
环境：python 3.9 + Torch 2.1.2 + DDP单机多卡训练

• Ubuntu == 20.04
• Python == 3.9
• Pytorch == 2.1.2
• CUDA == 12.2
• requirements.txt（本项目环境依赖）

实际应用场景

1. 个性化助手开发

你可以训练一个针对特定领域的 AI 助手，比如：

• 客服机器人：根据公司产品知识库训练
• 教育辅导：针对特定学科的习题讲解
• 行业助手：为特定行业提供专业建议

2. 技术学习与研究

• 了解大语言模型的工作原理
• 实践各种训练方法
• 尝试模型优化和改进

3. 产品原型验证

• 快速验证 AI 产品创意
• 测试不同场景下的效果
• 收集用户反馈进行迭代

技术亮点解析

轻量级架构

• 采用 Transformer 的 Decoder-Only 结构
• 使用 RMSNorm 预标准化提升性能
• 引入旋转位置编码处理长文本

创新的专家模型版本（MoE）

• 提供 4×26M 的混合专家模型
• 通过专家分工提升模型能力
• 保持较低的计算资源需求

灵活的部署选项

• 支持单卡/多卡训练
• 兼容主流深度学习框架
• 提供网页交互界面

上手有多简单？

只需几步就能开始：

# 1. 克隆项目
git clone https://github.com/jingyaogong/minimind.git

# 2. 安装依赖
pip install -r requirements.txt

# 3. 开始对话测试
python 2-eval.py

如果想要可视化界面，还可以使用内置的网页版：

streamlit run fast_inference.py

定制大模型

1. 克隆项目代码

git clone https://github.com/jingyaogong/minimind.git
cd minimind

2. 环境安装

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

# 测试torch是否可用cuda
import torch
print(torch.cuda.is_available())

如果不可用，请自行去 torch_stable 下载 whl 文件安装。参考链接，

https://blog.csdn.net/weixin_45456738/article/details/141029610

3. 自己训练数据集

• 下载数据集放到./dataset目录下
• python data_process.py 命令处理数据集，例如 pretrain 数据提前进行 token-encoder、sft 数据集抽离 qa 到 csv 文件
• 在./model/LMConfig.py 中调整 model 的参数配置

  这里仅需调整 dim 和 n_layers 和 use_moe 参数，分别是(512+8)或(768+16)，对应于minimind-v1-small和minimind-v1

• python 1-pretrain.py 执行预训练，得到 pretrain_*.pth 作为预训练的输出权重
• python 3-full_sft.py 执行指令微调，得到 full_sft_*.pth 作为指令微调的输出权重
• python 4-lora_sft.py 执行 lora 微调（非必须）
• python 5-dpo_train.py 执行 DPO 人类偏好强化学习对齐（非必须）

持续进化中

项目正在快速发展，目前已支持：

• 文本对话：流畅的中英文交互
• 视觉理解：可以理解和描述图像
• 知识更新：持续优化训练数据
• 性能提升：不断改进模型结构

最后

MiniMind 降低了 AI 开发的门槛，让更多人能够参与到大语言模型的探索中来。无论你是：

• 想入门 AI 的开发者
• 需要定制化 AI 助手的企业
• 对语言模型感兴趣的研究者

这个项目都能帮你快速起步，并在实践中不断成长。项目完全开源，想要了解更多 MiniMind  项目信息的读者可以查看项目地址：

https://github.com/jingyaogong/minimind