从零训练一个小 AI 模型:项目估算约 3 元、2.3 小时,你也能动手学

先说门槛：这篇不是给所有人看的工具

坦白讲，这一期的项目和你平时看到的那些「下载装上就能用」的东西不一样。

它需要你会用命令行，需要一台带独立显卡的电脑，或者花钱租一张显卡按小时计费。如果你只是想找个能用的 AI 工具，这篇可以直接跳过，看前几期更合适。

但如果你想弄明白一件很多人都好奇的事，也就是AI 模型到底是怎么「练」出来的，MiniMind 就是一条成本较低的学习路径。而且它给出的成本数字，我第一次看到时也愣了一下。

约三块钱、2.3 小时，是怎样算的

先把这个数字说清楚。

这个项目叫 MiniMind，作者是一位中文开发者。按项目文档的经验估算：在一张租来的 3090 显卡上，从零训练出一个能对话的小模型，用指定的预训练和指令训练小数据集各跑一轮，大约 2.3 小时，租卡成本约 3 元人民币。

分解一下大概是：先让模型学习语言规律，约 1.2 小时；再教它听懂人话、按指令回答，约 1.1 小时。租卡单价按每小时一块三计算，加起来就是三块钱出头。

换设备、数据量或训练设置，时间和费用都会变；约 3 元也不包含后续对齐与工具调用训练。但重点不在快，而在便宜到了一个普通人愿意自己掏钱试一次的程度。

对照一下：常被当成大模型门槛代表的那批模型，参数量在千亿级别；而这个小模型是 6400 万参数，参数量相差上千倍。规模差距是真实的，成本差距也是真实的。

便宜不等于简陋

这是这个项目最值得说明的地方。

如果只是把一个大模型裁小，那没什么稀奇。它的不同在于：关键训练环节用 PyTorch 原生实现，少了一层高层训练框架的封装。

这句话翻译一下：现在市面上的第三方工具，往往十几行代码就能跑完「加载模型、加载数据、训练」的全过程，方便是方便，但你看不到里面发生了什么。MiniMind 把这些环节全部摊开，核心算法自己实现，数据也从收集、清洗到去重完整提供。

完整到什么程度： 从最初的语言规律学习，到听懂指令，再到更靠后的偏好对齐、工具调用、推理能力，全流程都覆盖了。你可以在同一个项目里，把这条链路一步步走完。

作者为什么做这件事

项目说明里有一段话，比任何功能介绍都有说服力。

大意是：现在大多数人学大模型，都停在「拿一个现成的模型微调一下」这一步，学几个新指令或特定任务。而作者认为，这更像是在教牛顿如何使用 21 世纪的智能手机：虽然有趣，却偏离了理解本质的初衷。

他还说了一句我很喜欢的话：「用乐高自己拼出一架飞机，远比坐在头等舱里飞行更让人兴奋。」

同一段里他也提到，网上充斥着大量付费课程和营销内容，用一知半解的讲解包装成 AI 教程。所以这个项目想做的事很明确：把门槛降到让每个人都能从读懂每一行代码开始。

练出来的模型，能干什么

这里我要说实话：练出来的东西不聪明。

项目里保留了一段早期模型的真实对话样例，我摘要给你看：

问它推荐杭州的特色美食，它答的是「鸡肉串、鳗鱼头、水煮鱼、豆腐脑」；让它讲解「大语言模型」是什么，回答通顺但没有实质信息量；对话能接下去，可知识是错的。

这不是项目做得不好，而是一个小模型在这组训练条件下的表现。 作者把它原样放出来，我觉得比放一段漂亮 demo 诚实得多。

那它能干什么用？它的价值不在「能用」，在「能懂」：亲眼看到一段文字是怎么变成模型能力的，看到训练前后的差别，看到改一个设置会带来什么变化。这是工具给不了的认知。

一次训练大概长什么样

先解释一个词：参数可以粗略理解成模型内部可调的旋钮数量。旋钮越多，模型能记住的规律越复杂，需要的算力也越多。6400 万这个量级，属于小到能在单张显卡上跑完的范围。

整个流程分两大步，这也是当前主流大模型训练的通用做法：

第一步，先让它大量读文本。 不需要人标注，就是喂大量文字，让它自己总结出语言的规律。这一步结束时，它已经「会说话」，但还听不懂要求，你问它问题，它可能顺着你的话往下编。

第二步，教它按指令回答。 用一批「问题加标准答案」的示范数据训练它，让它学会「我是在回答提问」，而不是单纯续写。

关于显卡： 自己有一张能用的大显存显卡最省事；没有的话可以租，按小时计费，跑完就停。这也是前面那个「3 块钱」的由来。

训练完之后，它可以导出成标准格式，接到常见的本地聊天界面里，跟它对话。

边界要讲清楚

它需要你会用命令行。 这是第一道门槛，绕不开。照着文档复制粘贴能走通，但要理解每一步在做什么，需要一点基础。

它需要一个能跑的环境。 独立显卡，或者租用；内存和硬盘也有要求。作者自己用的是比较强的配置，单卡能跑，但你的机器能不能跑、要跑多久，得按自己的情况判断。

小模型的能力差距是量级上的。 不要拿它的输出和你在用的 AI 助手比，维度不一样。把它当显微镜，不要当锤子。

它是教材，不是产品。 项目本身不做运营，没有客服，更新靠作者和社区的热情。遇到问题看文档、看讨论区，这一点要有心理准备。

数据也是有版权的。 项目提供的是训练语料，学习时也要遵守各数据集的许可；如果你打算拿训练出来的模型做对外服务，数据和模型的使用范围要自己再看清楚。

它可能让你改变对 AI 的看法。 这是唯一一条不算风险的「风险」：亲手跑完这条训练流程之后，你大概不会再觉得模型是某种神秘的东西。它是一堆能被拆开看的步骤，只是量大而已。

适合谁

想把 AI 从「黑箱」变成「看得见的过程」的人，这是一个成本较低的入口：学生、转行者、想搞懂原理的产品经理，可以按文档体验完整链路，准备环境和学习本身还需要额外时间。

做技术培训和技术分享的人，它自带的数据和完整流程，比讲十页 PPT 管用。

已经在做模型微调、但只停留在调包层面的人，它能补上「框架封装里到底发生了什么」这一段。

纯粹好奇「训练一个 AI 要花多少钱」的人，项目给出的约三元估算，能帮你先建立一个成本概念。

如果你手头没有显卡、也不打算了解原理，只是想找个能用的工具，那这篇确实不适合你，用现成的对话服务就好。

最后说一句感受。这两年关于 AI 的内容，绝大多数在讲它能做什么，很少讲它是怎么来的。而后面这个问题，恰恰是把「使用者」和「理解者」区分开的那道线。这个项目做的，就是把那道线的门槛从「几百万」拉到「一顿早餐」。

你想过自己训一个模型吗？欢迎在评论区聊聊。

项目入口： https://github.com/jingyaogong/minimind

项目说明为中文；若后续打开英文页面，可用 Chrome 的“翻译成中文”。GitHub 和部分海外页面的访问情况因网络而异，打不开时需检查自己的网络条件。

参考来源

01MiniMind 项目仓库（模型列表、训练开销与完整流程）https://github.com/jingyaogong/minimind

02MiniMind 模型与数据集下载说明（项目文档内）https://github.com/jingyaogong/minimind#-模型推理

03MobileLLM 论文（小模型结构取舍的参考）https://arxiv.org/pdf/2402.14905

04PyTorch 官方安装指引（显卡驱动与框架版本对照）https://pytorch.org/get-started/locally/

05Apache License 2.0 全文https://www.apache.org/licenses/LICENSE-2.0

如果这篇文章帮你少花一点时间看懂 AI 变化，欢迎关注公众号、设为星标，也可以转发给需要的人。

有想法也欢迎在评论区聊聊。点关注，不迷路；点亮星标，持续跟上 AI 工具变化。