商业层面看，很难。但对于众多的开发者、甚至实验室的研究生而言，从今天起，可能就要有标准答案了。100美元，就能得到一个陪“幼儿园朋友”聊天，能写诗、讲故事，回答“天空为什么是蓝的”简单问题的模型。300美元，就能让你得到一个可以超过GPT-2的模型：翻译、完形填空、阅读理解都可以处理。800美元，理解和推理能力就可以做到GPT-3 Small的水准；1000美元左右，这个模型就已经可以解决简单的数学和代码问题以及多项选择题了。（接近GPT4水平）就在今天，知名大神Karpathy在X上宣布自己的新作：NanoChat！顾名思义，这个新项目炸裂之处，就在于他是一个类似 ChatGPT 的 LLM 的全栈实现。据卡神的在Github上的介绍，这套框架运行上，你只需要8个H100节点，关键在于，它的依懒性极低，安装非常简单。就连卡神自己都忍不住称“这是我写过的最疯狂、最放飞自我的项目之一！”与我之前类似的代码库 nanoGPT（仅涵盖预训练）不同，nanochat 是一个极简的、从零开始的全栈训练/推理流程，它基于一个单一且依赖性极低的代码库，是一个简单的 ChatGPT 克隆版本。
你只需启动一个云 GPU 设备，运行一个脚本，只需 4 小时，就可以在类似 ChatGPT 的 Web UI 中与你的 LLM 进行交流。
为什么说疯狂呢？不仅仅是因为这个“100美元就可以买到一个最好的LLM模型”这个想法疯狂，更关键的是，这个想法在实验过程中得到了验证。训练不到4个小时，8304行代码，只有44个文件，却击败了上亿参数规模的GPT-2，甚至在部分评估集上以微弱优势超过了GPT-4（预训练分词器的评估实验）。
比如，在训练分词器方面，卡神实现了约 4.8 的压缩比（这意味着平均 4.8 个原文字符变成 1 个 token）。此外，还卡神将这个分词器与 GPT-2 和 GPT-4 分词器进行比较。与 GPT-2（拥有 50257 个 token）相比，NanoChat的分词器在文本压缩方面全面优于 GPT-2，而后者则在数学部分略胜一筹：
与GPT-4的分词器相比，NanoChat也有惊喜！尽管我们在 fineweb 上的词汇量较小，但我们实际上还是以一点点优势击败了 GPT-4，因为那是我们实际训练的数据集，所以我们的标记器非常匹配该文档分布（例如，我们可能在压缩英语方面具有优势）。
Github地址：
https://github.com/karpathy/nanochat
讨论地址：
https://github.com/karpathy/nanochat/discussions/1
价值太高！
连OpenAI背后训练GPT的动作的曝出来了
大家之所以对于NanoChat项目呼声如此之高。
除了上面提到的成本便宜，还有一点就是极大地降低了大家认知ChatGPT底层原理的门槛。
根据卡神在项目自述文件的描述，整个项目的训练过程、使用到的技术都和OpenAI训练ChatGPT的方法基本相同。
那么，这8304行代码究竟是如何来复刻ChatGPT的？
预训练阶段，使用全新的Rust实现训练分词器；
卡神特别提到，在FineWeb上对TransformerLLM进行预训练，评估多个指标下的CORE分数；
中期训练阶段，卡神在来自SmolTalk的用户-助手对话、多项选择题、工具使用数据上进行中期训练；
接下来是SFT阶段，在世界知识多项选择题（ARC-E/C、MMLU）、数学（GSM8K）、代码（HumanEval）上评估聊天模型
然后是训练的最后一个阶段，使用「GRPO」在GSM8K上对模型进行强化学习微调（RL）
推理方面，卡神选择在带有KV缓存的引擎中实现高效推理，只需要简单的prefill/decode，tool-use（在轻量级沙箱中的Python解释器），通过CLI或类ChatGPT的网页界面与其交互。
撰写一份单一的Markdown成绩单，总结并将整个过程游戏化。
最后一个酷似ChatGPT的Mini高级应用就跃然眼前了！
为什么可以训练如此之快？
AI老鸟总结卡神的Trick
当然，成本能够如此之低，自然还是卡神的智慧。在上面各个环节都设计得非常巧妙。
比如你去从文件结构去看，会发现比较有意思的是：有 data loader、data set engine，还有个叫 GPT pi 的东西，看起来挺有趣。还有 muon optimizer，这里还有 distributed muon，细心地网友称：这估计是给 H100 GPU 用的。
另外，参数部分也挺吸引人。序列长度是 24，层数 12，768 维度，看起来是个中小型模型。因为我自己也在搭模型，所以看到这些配置挺有参考价值。
网友注意到一个trick的细节。他爆料到，一般来说，Karpathy 总喜欢让数字“好看”——比如用 2 的平方倍数。
但其实这次，上面这些参数都不是严格的 2 的平方，但可能能被分解成一些平方的倍数。比如上面的这三个参数：24、12、768，都不是。所以他猜测卡神肯定是发现最后这几个数字更合适。
“我本来预期 hidden size 会是 148，不知道他为什么选了 768。”
还有，正则方面，卡神没有采用 Pytorch自带的 RoPE（旋转位置编码），而是采用了自己写的版本。
实现特别简洁，简直是我见过最优雅的代码。他的思路是把向量一分为二，然后用旋转矩阵分别处理，再拼接回来。虽然我还没完全吃透旋转矩阵的部分，但能看出这是个非常轻量、教学导向的实现。
这还没完，在 自回归注意力（causal self-attention） 模块里，卡神把 query、key、value 的线性层分开实现。其实也可以优化成一次线性变换，然后再分割结果张量，这样可以减少内存读写。
激活函数方面，他使用了一个叫 ReLU²（ReLUSquared） 的激活函数，据说在一些实验中收敛更快。
卡神还提到了预计算 旋转嵌入（rotary embeddings） 的技巧：提前把 cos 和 sin 值算好放在 GPU 内存里，因为它们不依赖训练参数。
在优化器部分，他把参数拆成两组：embedding 和 LM head 用 AdamW，矩阵参数用 Muon Optimizer
。这个优化器是最近新出的，据说在特征学习（feature learning）上表现不错。
当然，也有一些业界所公认的Trick，比如大框架还是经典的 Transformer 结构：自注意力 + MLP + 残差。
再比如采用 KV cache，来加速推理。代码里根据 cache 是否存在分支执行不同逻辑，这点和大多数 LLM 实现类似。
还有，MLP 部分，卡神没用 Mixture of Experts，理由很合理：MoE 更适合推理阶段，而不是研究阶段。MLP 更易于理解和调试。
下一步：发展成一个研究工具或基准
卡神在X上表示，项目还没完工，自己的目标是将完整的“强基线”堆栈整合到一个内聚、精简、可读、可修改且最大程度可分叉的仓库中。
而NanoChat 将成为 LLM101n（仍在开发中）的顶点项目。
我认为它也有潜力发展成为一个研究工具或基准，类似于之前的 nanoGPT。它远未完成、调整或优化（实际上我认为可能还有不少唾手可得的成果），但我认为它的整体框架已经足够完善，可以上传到 GitHub 上，以便所有部分都能得到改进。
写在最后
当然，这套复刻框架，肯定不能真正意义上直接帮各位得到一个ChatGPT 1:1的复刻版。因为局限就摆在那里。性能上，如果想要运行流畅度，就可能需要自己上手微调。那这就需要用户得有点技术背景才能玩转它。比如，如果你的 显存（VRAM） 比较小，就得调整超参数。这对新手来说可能是个门槛。
但小编看来，更多的意义，还是在于，让“高在天上”的 LLM产品，变得更加评价、可及。也就是说，卡神的这个项目继续让 AI 开发更大众化了，让更多人，尤其是算力不够的学校、学生们能参与、实验动手了起来。
而这则会进一步带动AI应用的繁荣。
想一想，如果连大学学生、业余开发者都能低成本训练模型，也许能催生很多有创意的应用。
因为这个项目是开源的，所有人按照自己需求进行调整、修改，得到自己想要的结果。
使用 nanochat，你几乎可以调任何东西。无论是换 tokenizer、改训练数据、调整超参数，还是优化算法，都可以自由尝试——有很多潜在思路可以探索。
如果你希望训练更大的模型，也很容易做到。
代码库的设计是完全可扩展的：你只需要通过参数 --depth 来改变模型层数，其他相关参数都会自动按比例调整。
这意味着它的“复杂度”只靠这一个滑杆就能控制。
正如一位网友所说，看起来，NanoChat虽然只是小步前进，但它可能引发大波浪。
项目提供了详细的指导文档，它还支持把文件打包成可查询的数据块，很友好。这一点我挺欣赏——能看出作者是站在用户角度思考的。没错。
现在，大家都能理解Karpathy为什么会被称之为“卡神”了吧！太牛了！
写完这篇稿子一看，哇塞，这个项目已经狂飙到了8.2K星！
参考链接：
https://www.youtube.com/watch?v=EFpDHdsITrg&t=419s
https://x.com/karpathy/status/1977755427569111362
