Nanochat 实战教程：从零构建与理解大模型聊天系统

在大模型应用快速发展的背景下，“聊天系统”是最常见却也最容易被误解的系统形态。现实工程中，核心逻辑往往被层层框架掩盖。开发者能够快速得到“能用的结果”，却很难真正理解系模型在每一步究竟做了什么。

Nanochat 的出现不追求工程层面的“最佳实践”，而是将系统压缩到极小规模，只保留构建聊天模型必需的核心组件。它更像是一份可执行的说明书，通过最直接的数据流和最少的抽象，带你完整经历编码器训练、预训练、后训练等关键步骤，从代码层面理解“对话”的真实含义。

一、环境构建与准备

1.1 硬件与基础环境

• 硬件推荐：本教程基于沐曦 C500(64GB) 显存设备进行验证。
• 镜像环境：PyTorch / 2.8.0 / Python 3.12 / maca 3.3.0.4

1.2 通过 Jupyter 连接算力容器

基础操作步骤：

1. 进入工作台：启动实例后，点击 JupyterLab 进入容器环境。

   

2. 进入终端：点击“Terminal”

   

3. GPU 检查：在终端执行mx-smi 如果某个 GPU 出现 Not Available，请销毁容器，重新租用算力。

   

1.2 通过 tmux 进入到保持连接的终端会话中

使用 Tmux 保持会话 训练是一个长时间任务，为防止终端断开导致中断，推荐使用 tmux。

• 创建会话：tmux new -t nanochat

  

模型训练的操作后将在这个会话中执行，如需暂时离开执行下来操作

• 暂时离开：按下 Ctrl+B 后松开，再按 D。
• 重连会话：tmux attach -t nanochat

1.3 目录与环境变量配置

接下来的操作均在该终端会话中进行。

1. 从共享存储中拉取 nanochat 的项目：

   cp -r /mnt/moark-models/github/nanochat /data/nanochat

2. 创建输出目录：

   mkdir /data/nanochat_output

3. 配置环境变量：

   export OMP_NUM_THREADS=1
   export NANOCHAT_BASE_DIR="/data/nanochat_output"

1.3 数据集准备

为了缩短训练时间，我们默认使用部分精简数据。请根据实际挂载路径创建软连接（以下路径基于 Moark 平台示例）：

# 基础预训练数据 
ln -s /mnt/moark-models/fineweb-edu-100b-shuffle-240shard "$NANOCHAT_BASE_DIR/base_data"

# 词表数据
ln -s /mnt/moark-models/words_alpha/words_alpha.txt "$NANOCHAT_BASE_DIR/words_alpha.txt"

# 对话微调数据
ln -s /mnt/moark-models/identity_conversations/identity_conversations.jsonl "$NANOCHAT_BASE_DIR/identity_conversations.jsonl"

# 评测数据集
ln -s /mnt/moark-models/eval_bundle "$NANOCHAT_BASE_DIR/eval_bundle"

注：如果想进行全量训练（耗时极长），可将 base_data 指向完整数据集： ln -s /mnt/moark-models/fineweb-edu-100b-shuffle "$NANOCHAT_BASE_DIR/base_data"

1.4 安装依赖

进入项目目录并安装 Python 依赖：

pip install rustbpe tiktoken wandb fastapi uvicorn 

🎉 恭喜！到了这一步，你已经打败了 50% 的挑战者！

---

二、模型训练全流程

训练分为三个核心阶段：

1. 文本编码器训练：让模型读懂字符。
2. 预训练 (Pre-train)：学习海量文本知识（分为 Base 和 Mid 两个阶段）。
3. 后训练 (Post-train)：学习对话模式。

移动到 nanochat 项目目录下

cd /data/nanochat

初始化训练环境： 在开始前，重置报告状态：

python -m nanochat.report reset

检查环境信息：

cat /data/nanochat_output/report/header.md

2.1 文本编码器训练 (Tokenizer)

从随机初始化权重开始，训练一个可以双向翻译文本和模型语言的编码器。

执行训练：

python -m scripts.tok_train --max_chars=2000000000 --vocab_size=65536

预期输出：

max_chars: 2,000,000,000
vocab_size: 65,536
...
Saved tokenizer encoding to /data/nanochat_output/tokenizer/tokenizer.pkl

评估编码器：

python -m scripts.tok_eval

结果说明：评估完成后，你会发现你的编码器性能与 GPT-2 不相上下。

👍 进度更新：你已经打败了 90% 的挑战者！

---

2.2 模型预训练 (Pre-training)

第一阶段：Base Training (基础知识习得)

使用纯文本数据训练，让模型拥有生成流畅文本的能力。

执行命令：

# --nproc_per_node 表示训练时所使用的GPU数量，提高GPU的数量能够加快训练速度
# 推荐租用4卡来进行训练，加快训练速度
torchrun --nproc_per_node=1 -m scripts.base_train -- \
    --depth=8 \
    --target_param_data_ratio=20 \
    --device_batch_size=8 \
    --run=dummy

训练日志参数解读：

显示项	解释
step	当前步数/总步数 (进度百分比)
loss	训练误差，数值越小越好
lrm	学习率倍率 (例如 0.15 表示当前为基础学习率的 15%)
tok/sec	每秒处理的 Token 数 (吞吐量)
mfu	GPU 利用率 (注：在某些国产卡上可能计算不准，可忽略)
eta	预计剩余时间

查看结果与评估：

# 查看生成样例
python -m scripts.base_loss
# 模型评估
python -m scripts.base_eval

此时各任务准确率可能较低，因为模型仅学会了“续写”，尚未融会贯通。

第二阶段：Mid Training (知识强化)

使用更高质量的数据及部分对话数据进行生成式训练，让模型学习更好的利用知识。

执行命令：

# --nproc_per_node 表示训练时所使用的GPU数量，提高GPU的数量能够加快训练速度
torchrun --standalone --nproc_per_node=1 -m scripts.mid_train -- \
    --device_batch_size=8 \
    --run=dummy

耗时约 40 分钟

评估结果

python -m scripts.chat_eval -i mid

预期结果：MMLU、ARC 等指标应有小幅提升，模型开始具备一定的知识检索能力。

🐂🍺 进度更新：你已经打败了 99% 的挑战者！

---

2.3 后训练 (Post-training / SFT)

这一阶段，将使用更加结构化的对话数据进行训练。此时模型脑袋里已经装了不少的知识，且可以大片大片的检索里面的知识片段了，但是对于具体的对话场景模型还不够熟练。因此将使用结构化的对话数据（问答形式）进行微调（Supervised Fine-Tuning），让模型适应聊天场景。

执行命令：

torchrun --standalone --nproc_per_node=1 -m scripts.chat_sft -- \
    --device_batch_size=8 \
    --run=dummy

耗时约 10 分钟

最终评估

python -m scripts.chat_eval -i sft

预期结果：指标进一步微调提升，更重要的是模型学会了以“对话”的方式输出。

🎉 恭喜！你已经完成了所有训练流程，打败了 100% 的挑战者！

---

三、成果体验与部署

评测数据是冰冷的，真实的对话体验才是关键。启动 Web 服务进行体验：

# --num-gpus 表示推理时所使用的GPU数量
# --source sft 表示加载后训练阶段的模型
# 可选值: sft | mid | rl (如有)
python -m scripts.chat_web --num-gpus 1 --source sft

访问方式：

1. 服务默认运行在 8188 端口。

• 访问云端的 web 服务，首先需要进行隧道代理，具体流程请参考建立隧道代理

隧道代理命令可在此复制：

• 代理成功后，本地浏览器访问：http://localhost:8188

体验提示：

• 语言限制：由于训练集限制，请必须使用 英文 进行对话。
• 性能预期：受限于数据量、参数量和训练时间，效果肯定无法比拟主流大模型（如 GPT-5, DeepSeek 等），但这正是“去魅”的过程。
• 测试问题：

  • who are you?

  • Please introduct yourself

  • Explain the Newton second theory.

    

---

四、进阶探索

如果你想在学术或工程上进一步深入，可以尝试：

1. Scale Up (扩大规模)：使用多机多卡，加载完整数据集进行更大规模训练。
2. Scaling Law 复现：调整模型层数、宽度，验证 Scaling Law 在本项目中的体现。
3. RL (强化学习)：代码库中包含 RL 相关脚本，尝试进行 PPO/DPO 训练并观察效果。
4. 自定义垂类模型：替换数据集，在 Pre-train 或 Post-train 阶段注入特定领域知识（如医学、代码），打造专用小模型。