AI传奇人物、前特斯拉AI总监Karpathy重磅推出全新开源项目「nanoc h a t」，以不到8000行代码复现ChatGPT全流程，只需一台GPU、约4小时、成本仅百美元。该项目在GitHub上线不到12小时即获4.2k星标！

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

麻 将

AI传奇人物、前特斯拉AI总监Karpathy宣布发布全新项目nanoc h a t!

一个极简但完整的「从零构建ChatGPT」训练框架。

Karpathy说这是他写过的最疯狂的项目之一！

相当于每个人都可以自己拥有一个专属的ChatGPT。

项目刚放出还不到12个小时，GitHub星标就破4.2kStar！（还在持续疯涨中）

GitHub项目：https://github.com/karpathy/nanoc h a t

全是社区自来水流量，这就是Karpathy在AI领域的号召力！

与早期的nanoGPT不同，nanoc h a t不仅涵盖预训练，还囊括了从数据准备、预训练、中期训练（对话、多项选择题、工具使用）、SFT、RL微调到推理部署的全流程。

整个系统仅约8000行干净代码，启动一台GPU机器、运行一条脚本，4小时后你就能在网页界面与自己训练的「小ChatGPT」对话。

Karpathy将其称为LLM101n的「压轴之作」，同时也可能成为未来研究基线和开源社区的实验平台。

让我来仔细看看如何仅仅用8000行来「克隆」ChatGPT：

使用全新的Rust实现训练分词器

在FineWeb上对TransformerLLM进行预训练，评估多个指标下的CORE分数

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

进行SFT，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

使用「GRPO」在GSM8K上对模型进行强化学习微调（RL）

在带有KV缓存的引擎中实现高效推理，简单的预填充/解码，工具使用（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。

麻 将

项目全程花费低至约100美元（约在一台8XH100节点上训练4小时）。

可以训练、克隆一个可以对话的小型ChatGPT，它能创作故事/诗歌、回答简单问题。

只需要训练约12小时即可超过GPT-2的核心指标。

随着进一步扩展到约1000美元（约41.6小时训练），模型会迅速变得更连贯，能解决简单的数学/代码问题并做多项选择题。

训练24小时的模型（其FLOPs大致相当于GPT-3Small125M，约为GPT-3的1/1000）在MMLU上能进入40分段，在ARC-Easy上进入70分段，在GSM8K上进入20分段等。

总结一下就是：

100美元→可训练出一个能写诗、回答基础问题的OpenAI同款「小型ChatGPT」；

1000美元→达到近GPT-2以上的表现，可做基础推理与代码生成。

麻 将

这个项目体现出他的核心理念：

「降低 LLM 研究与复现门槛，让每个人都能亲手训练自己的模型。」

这种民主化路线，与他在nanoGPT时期倡导的「从零实现Transformer」如出一辙。

项目地址：https://github.com/karpathy/nanoGPT

Karpathy说他的目标是把完整的「强基线」栈整合到一个连贯、极简、可读、可修改、可最大化派生的仓库中。

nanoc h a t将成为LLM101n（仍在开发中）的压轴项目。

Karpathy认为nanoc h a t也有可能发展成一个研究工具或基准，就像之前的nanoGPT一样。

nanoGPT教你造大脑，nanoc h a t教你造ChatGPT。

麻 将

如果说nanoGPT是「Transformer源码教学项目」。

那么，nanoc h a t则是「LLM生态系统微缩版」、OpenAI同款、你的专属AI。

二者关系可理解为「从神经网络基础到产品级对话系统」的两步闭环。

从Vibe Coding到nanoGPT，再到如今的nanoc h a t，Karpathy不愧是「AI教育者」的最佳代言人。

这一「疯狂之作」并非狂想，而是Karpathy对AI开放、可学习、可复现理想的又一次践行。

小型ChatGPT效果展示

Karpathy在WebUI部署了nanoc h a t项目。

他还给出了「与价格为100美元、运行4小时的」nanoc h a t的示例对话。

很……有趣！

下面这张图展示的是Karpathy在nanoc h a t「$100速度跑」实验（即只用一台GPU、约4小时训练出的ChatGPT 小模型）中生成的「成绩单」部分内容，说明模型规模、训练耗时、以及在各类标准评测上的性能。

Characters:333989 —— 代码总字符数。

Lines:8304 —— 大约 8300 行干净、注释良好的代码。

Files:44 —— 工程文件数量。

Tokens:约83,497 —— 代码中的token数（大致对应8万词）。

Dependencies:2004行uv.lock依赖清单 —— 表明依赖极少、项目结构轻。

这些数字展示了nanoc h a t的「极简」精神：完整实现了 ChatGPT 的训练、微调与推理，却仍保持在8000行代码以内。

参考资料：

https://x.com/karpathy/status/1977755427569111362

https://github.com/karpathy/nanoc h a t

热门推荐