编译 | 王涵
编辑 | 漠影
智东西10月14日消息，昨夜，前特斯拉人工智能与自动驾驶视觉总监、OpenAI研究员安德烈·卡帕西（Andrej Karpathy）开源nanochat，号称可以只用不到100美元（约合人民币711.5元）训练出“简易版ChatGPT”，一经发布在GitHub上就获得了5.6k星。
nanochat Github主页（来源：Github）
与其早期只涵盖预训练的nanoGPT不同，nanochat是一个极简的、从零构建的全栈训练/推理流程，用最精简的依赖代码库实现了“简易版ChatGPT”。
安德烈·卡帕西（Andrej Karpathy）推文截图（来源：X）
卡帕西在评论区中回复称，nanochat的基本架构类似Meta的Llama，但有所简化，并吸收了modded-nanoGPT的一些改进。
他还透露，截至指令微调（SFT）阶段，整个训练耗时3小时51分钟，总成本为92.4美元（约合人民币657.4元），“这样我们甚至还能剩下8美元买个冰淇淋犒劳自己。”他开玩笑道。
值得注意的是，由于目前对强化学习（RL）的支持尚不完善，卡帕西称他并未将其计入总运行时间。
也就是说，开发者只需启动云GPU实例，运行单个脚本，只需不到100美元（约合人民币711.5元），最快4小时，就能训练出可进行简单对话、创作故事诗歌、回答基础问题的“简易版ChatGPT”。
训练约12小时，模型即可在评估模型推理能力、知识基础等基础能力的CORE指标上超越GPT-2。卡帕西还透露，当投入提升至约1000美元（约合人民币7114.7元），训练41.6小时后，模型表现还将显著提升，能够解决基础数学/编程问题并通过选择题测试。
例如，深度为30的模型训练24小时（相当于GPT-3 Small 125M的计算量，约为GPT-3的千分之一）后，在多任务的语言理解基准MMLU得分超40分，在简单常识推理任务ARC-Easy超70分，在数学推理能力基准测试GSM8K中获得超20分的成绩。
nanochat性能表格（来源：Github）
这个有着8304行代码的项目实现了以下功能：
1、使用新的Rust实现训练分词器；
2、在FineWeb数据集上预训练Transformer LLM，并通过CORE指标多维度评估；
3、使用SmolTalk的用户-助手对话数据、选择题数据和工具使用数据进行中期训练；
4、进行指令微调，在常识选择题（ARC-E/C、MMLU）、数学（GSM8K）、代码（HumanEval）等基准上评估聊天模型；
5、可选使用“GRPO”算法在GSM8K数据集上进行强化学习；
6、通过带KV缓存的引擎实现高效推理，支持简单预填充/解码和工具调用（轻量级沙箱中的Python解释器），可通过CLI或类ChatGPT网页界面交互；
7、生成单页Markdown评估报告，以游戏化方式总结全流程。
在原推文的评论区中，卡帕西还给出了一个nanochat与用户对话的案例。在这个对话中，基础版nanochat已经实现AI聊天机器人的对话功能，并且可以根据要求撰写诗歌。
nanochat功能演示（来源：X）
在卡帕西的推文下，网友们发出一致好评，有人称“非常受到启发”，甚至说“这个人（指卡帕西）简直是个传奇。”
网友评论节选（来源：X）
还有网友已经做出了nanochat的可交互实时代码图谱，能够更加直观地探索这个代码库：
nanochat实时代码图谱（来源：X）
结语：nanochat为AI开发成本控制路径提供参考
nanochat项目的推出，为AI模型开发的成本控制提供了新的参考。该项目证明了，在适当的架构设计和流程优化下，以100美元级别的成本实现基础对话AI功能具备技术可行性。
虽然当前版本在性能上仍与商用大模型存在差距，但其展现的性价比优势，为AI技术在更广泛场景中的应用拓展了可能性。随着开源社区对该项目的持续优化，这种高效开发模式或将为AI技术普及带来新的推动力。
