diff --git a/README.md b/README.md
index cbb30bb..44600d4 100644
--- a/README.md
+++ b/README.md
@@ -1,64 +1,77 @@
+
+
-logo
+
+
+
+[](https://github.com/jingyaogong/minimind/stargazers)
+[](LICENSE)
+[](https://github.com/jingyaogong/minimind/commits/master)
+[](https://github.com/jingyaogong/minimind/pulls)
+[](https://huggingface.co/collections/jingyaogong/minimind-66caf8d999f5c7fa64f399e5)
+
+
-visitors
-[GitHub Repo stars](https://github.com/jingyaogong/minimind/stargazers)
-[GitHub Code License](LICENSE)
-[GitHub last commit](https://github.com/jingyaogong/minimind/commits/master)
-[GitHub pull request](https://github.com/jingyaogong/minimind/pulls)
-[Collection](https://huggingface.co/collections/jingyaogong/minimind-66caf8d999f5c7fa64f399e5)
+
+
+
+
"大道至简"
+
-
-
-GitHub Trend
-
-
-
-### "大道至简"
-
-
+
中文 | [English](./README_en.md)
+
-
-- 此开源项目旨在完全从 0 开始，仅用 3 块钱成本与 2 小时训练时间，即可训练出规模约为 64M 的超小语言模型 MiniMind。
-- MiniMind 系列极其轻量，主线最小版本体积约为 GPT-3 的 $\frac{1}{2700}$，力求让普通个人 GPU 也能快速完成训练与复现。
-- 项目同时开源了大模型的极简结构与完整训练链路，覆盖 MoE、数据清洗、预训练（Pretrain）、监督微调（SFT）、LoRA、RLHF（DPO）、RLAIF（PPO / GRPO / CISPO）、Tool Use、Agentic RL、自适应思考与模型蒸馏等全过程代码。
-- MiniMind 同时拓展了视觉模态模型 [MiniMind-V](https://github.com/jingyaogong/minimind-v)、多模态 Omni 模型 [MiniMind-O](https://github.com/jingyaogong/minimind-o)、扩散语言模型（MiniMind-dLM）、线性模型（MiniMind-Linear），详见 [Discussion](https://github.com/jingyaogong/minimind/discussions)。
-- 项目所有核心算法代码均从 0 使用 PyTorch 原生实现，不依赖第三方库提供的高层抽象接口。
-- 这不仅是一个大语言模型全阶段开源复现项目，也是一套面向 LLM 入门与实践的教程。
-- 希望此项目能为更多人提供一个可复现、可理解、可扩展的起点，一起感受创造的乐趣，并推动更广泛 AI 社区的进步。
+* 此开源项目旨在完全从 0 开始，仅用 3 块钱成本与 2 小时训练时间，即可训练出规模约为 64M 的超小语言模型 MiniMind。
+* MiniMind 系列极其轻量，主线最小版本体积约为 GPT-3 的 $\frac{1}{2700}$，力求让普通个人 GPU 也能快速完成训练与复现。
+* 项目同时开源了大模型的极简结构与完整训练链路，覆盖 MoE、数据清洗、预训练（Pretrain）、监督微调（SFT）、LoRA、RLHF（DPO）、RLAIF（PPO / GRPO / CISPO）、Tool Use、Agentic RL、自适应思考与模型蒸馏等全过程代码。
+* MiniMind 同时拓展了视觉模态模型 [MiniMind-V](https://github.com/jingyaogong/minimind-v)、多模态 Omni 模型 [MiniMind-O](https://github.com/jingyaogong/minimind-o)、扩散语言模型（MiniMind-dLM）、线性模型（MiniMind-Linear），详见 [Discussion](https://github.com/jingyaogong/minimind/discussions)。
+* 项目所有核心算法代码均从 0 使用 PyTorch 原生实现，不依赖第三方库提供的高层抽象接口。
+* 这不仅是一个大语言模型全阶段开源复现项目，也是一套面向 LLM 入门与实践的教程。
+* 希望此项目能为更多人提供一个可复现、可理解、可扩展的起点，一起感受创造的乐趣，并推动更广泛 AI 社区的进步。
> 注：本项目基于 Apache 2.0 协议开源，完全免费。“2 小时” 指 SFT 阶段在单张 NVIDIA 3090 上跑完 `1 epoch` 的实测耗时，“3 块钱” 指对应时段的 GPU 租用成本。
---
+
-
-minimind-3
+
[🔗 在线体验](https://www.modelscope.cn/studios/gongjy/MiniMind) | [🔗 视频介绍](https://www.bilibili.com/video/BV12dHPeqE72)
-| | |
-| --- | --- |
-| | |
-
+
+
+ 🔥 2026-04-01
-- 发布 `minimind-3` / `minimind-3-moe`：结构、Tokenizer、训练链路、推理接口与默认配置全面更新
+ - 发布 `minimind-3` / `minimind-3-moe`：结构、Tokenizer、训练链路、推理接口与默认配置全面更新
- 结构主线对齐 `Qwen3 / Qwen3-MoE` 生态：Dense 约 `64M`，MoE 约 `198M-A64M`，并移除了 shared expert 设计
- 默认训练数据切换为 `pretrain_t2t(_mini).jsonl`、`sft_t2t(_mini).jsonl`、`rlaif.jsonl`、`agent_rl.jsonl` 与 `agent_rl_math.jsonl`
- 移除独立 `train_reason.py`；思考能力统一由 `chat_template + ` 与 `open_thinking` 自适应开关控制
@@ -122,9 +129,10 @@ minimind-3
- 新增 LoRA 权重合并导出流程，可通过 `scripts/convert_model.py` 将基础模型与 LoRA 权重合并为新的完整模型权重
- 结构图资源更新，README 大面积更新
+
-
-**2025-10-24**
+
+ 2025-10-24
- 🔥 新增RLAIF训练算法：PPO、GRPO、SPO（从0原生实现）
- 新增断点续训功能：支持训练自动恢复、跨GPU数量恢复、wandb记录连续性
@@ -136,9 +144,10 @@ minimind-3
- [SwanLab](https://swanlab.cn/)替代WandB（国内访问友好，API完全兼容）
- 规范化所有代码 & 修复一些已知bugs
+
-
-**2025-04-26**
+
+ 2025-04-26
- 重要更新
- 如有兼容性需要，可访问[🔗旧仓库内容🔗](https://github.com/jingyaogong/minimind/tree/7da201a944a90ed49daef8a0265c959288dff83a)。
@@ -156,15 +165,15 @@ minimind2系列旧模型均经过权重映射+（微调训练）QKVO线性层校
本次更新后将放弃对`minimind-v1`全系列的维护，并在仓库中下线。
```
+
-
-**More...**
+
+ More...
**2025-02-09**
-
- 迎来发布以来重大更新，Release minimind2 Series。
- 代码几乎全部重构，使用更简洁明了的统一结构。
-如有旧代码的兼容性需要，可访问[🔗旧仓库内容🔗](https://github.com/jingyaogong/minimind/tree/6e9cd28ef9b34a0a10afbdf6f59e65cb6e628efb)。
+ 如有旧代码的兼容性需要，可访问[🔗旧仓库内容🔗](https://github.com/jingyaogong/minimind/tree/6e9cd28ef9b34a0a10afbdf6f59e65cb6e628efb)。
- 免去数据预处理步骤。统一数据集格式，更换为`jsonl`格式杜绝数据集下载混乱的问题。
- minimind2系列效果相比MiniMind-V1显著提升。
- 小问题：{kv-cache写法更标准、MoE的负载均衡loss被考虑等等}
@@ -176,50 +185,44 @@ minimind2系列旧模型均经过权重映射+（微调训练）QKVO线性层校
- 更新minimind2与第三方模型的基于更多大模型榜单测试性能的结果。
**2024-10-05**
-
- 为MiniMind拓展了多模态能力之---视觉
- 移步孪生项目[minimind-v](https://github.com/jingyaogong/minimind-v)查看详情！
**2024-09-27**
-
- 09-27更新pretrain数据集的预处理方式，为了保证文本完整性，放弃预处理成.bin训练的形式（轻微牺牲训练速度）。
- 目前pretrain预处理后的文件命名为：pretrain_data.csv。
- 删除了一些冗余的代码。
**2024-09-17**
-
- 更新minimind-v1-moe模型
- 为了防止歧义，不再使用mistral_tokenizer分词，全部采用自定义的minimind_tokenizer作为分词器。
**2024-09-01**
-
- 更新minimind-v1 (108M)模型，采用minimind_tokenizer，预训练轮次3 + SFT轮次10，更充分训练，性能更强。
- 项目已部署至ModelScope创空间，可以在此网站上体验：
- [🔗ModelScope在线体验🔗](https://www.modelscope.cn/studios/gongjy/minimind)
**2024-08-27**
-
- 项目首次开源
-
+
---
-
-
# 📌 快速开始
-本人的软硬件配置（供参考）
-
-- CPU: Intel(R) Core(TM) i9-10980XE CPU @ 3.00GHz
-- RAM: 128 GB
-- GPU: NVIDIA GeForce RTX 3090 (24GB) * 8
-- Ubuntu==20.04
-- CUDA==12.2
-- Python==3.10.16
-- [requirements.txt](./requirements.txt)
+
+本人的软硬件配置（供参考）
+* CPU: Intel(R) Core(TM) i9-10980XE CPU @ 3.00GHz
+* RAM: 128 GB
+* GPU: NVIDIA GeForce RTX 3090 (24GB) * 8
+* Ubuntu==20.04
+* CUDA==12.2
+* Python==3.10.16
+* [requirements.txt](./requirements.txt)
+
## 第0步
@@ -229,16 +232,11 @@ git clone --depth 1 https://github.com/jingyaogong/minimind
cd minimind && pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple
```
-
-
## Ⅰ 🚀 模型推理
-
-
### 1' 下载模型
在项目根目录：
-
```bash
# 方式1
modelscope download --model gongjy/minimind-3 --local_dir ./minimind-3
@@ -246,8 +244,6 @@ modelscope download --model gongjy/minimind-3 --local_dir ./minimind-3
git clone https://huggingface.co/jingyaogong/minimind-3
```
-
-
### 2' CLI 推理
```bash
@@ -257,8 +253,6 @@ python eval_llm.py --load_from ./minimind-3
python eval_llm.py --load_from ./model --weight full_sft
```
-
-
### 3'（可选）WebUI
```bash
@@ -267,8 +261,6 @@ python eval_llm.py --load_from ./model --weight full_sft
cd scripts && streamlit run web_demo.py
```
-
-
### 4'（可选）第三方推理框架
```bash
@@ -278,11 +270,10 @@ ollama run jingyaogong/minimind-3
vllm serve /path/to/model --served-model-name "minimind"
```
-
-
## Ⅱ 🛠️ 模型训练
-注：提前确认 Torch 的可用后端
+
+注：提前确认 Torch 的可用后端
```python
import torch
@@ -293,20 +284,19 @@ print(torch.cuda.is_available())
若 `cuda` 不可用，也仍可根据自身设备选择 `CPU` 或 `MPS` 运行，但训练速度与兼容性会有非常大的差异。
如需安装或更换 PyTorch 版本，可参考 [torch_stable](https://download.pytorch.org/whl/torch_stable.html) 与[链接](https://blog.csdn.net/weixin_45456738/article/details/141029610?ops_request_misc=&request_id=&biz_id=102&utm_term=%E5%AE%89%E8%A3%85torch&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-2-141029610.nonecase&spm=1018.2226.3001.4187)
-
+
### 1' 下载数据
从下文提供的[数据集下载链接](https://www.modelscope.cn/datasets/gongjy/minimind_dataset/files) 下载所需数据文件，并放入 `./dataset` 目录
> 当前默认仅需下载 `pretrain_t2t_mini.jsonl` 与 `sft_t2t_mini.jsonl`，即可较快复现 `MiniMind Zero` 对话模型。
-> 如有更多需求，下文提供多种搭配方案，可根据自身任务目标与 GPU 资源灵活选择。
-
-
+如有更多需求，下文提供多种搭配方案，可根据自身任务目标与 GPU 资源灵活选择。
### 2' 开始训练
-💡 检查点暂停续训
+
+💡 检查点暂停续训
所有训练脚本均支持检查点保存。添加 `--from_resume 1` 参数后，即可自动检测并恢复训练进度：
@@ -317,7 +307,6 @@ python train_full_sft.py --from_resume 1
```
**断点续训说明：**
-
- 训练过程会自动在 `./checkpoints/` 目录保存完整检查点（模型、优化器、训练进度等）
- 检查点文件命名：`<权重名>_<维度>_resume.pth`（如：`full_sft_512_resume.pth`）
- 支持跨不同 GPU 数量恢复（自动调整 step）
@@ -325,7 +314,7 @@ python train_full_sft.py --from_resume 1
> 适合长时间训练或不稳定环境，无需担心训练中断导致进度丢失
-
+
#### 2.1 预训练（必须）
@@ -335,8 +324,6 @@ cd trainer && python train_pretrain.py
> 训练后，将得到 `out/pretrain_*.pth` 作为输出权重（其中 `*` 为模型 dimension，默认为 `768`）
-
-
#### 2.2 指令微调（必须）
```bash
@@ -345,8 +332,6 @@ cd trainer && python train_full_sft.py
> 训练后，将得到 `out/full_sft_*.pth` 作为输出权重（其中 `full` 表示全参数微调）
-
-
#### 2.3 测试已训练模型（可选）
确保待测试的模型 `*.pth` 文件位于 `./out/` 目录下；也可直接前往[此处](https://www.modelscope.cn/models/gongjy/minimind-3-pytorch/files)下载我已训练好的 `*.pth` 权重。
@@ -357,7 +342,8 @@ python eval_llm.py --weight full_sft
> `--weight` 用于指定权重名称前缀，例如 `pretrain`、`full_sft` 等；更多参数可直接参考 `eval_llm.py`
-注：其它须知
+
+注：其它须知
1、所有训练脚本均基于 PyTorch 原生实现，并支持多卡加速。
@@ -372,45 +358,40 @@ torchrun --nproc_per_node N train_xxx.py
```bash
... train_xxx.py --use_wandb
```
-
`2025` 年 `6` 月后，国内网络环境通常无法直连 WandB。MiniMind 当前默认转为使用 [SwanLab](https://swanlab.cn/) 作为训练可视化工具，其接口与 WandB 基本兼容；通常只需将 `import wandb` 替换为 `import swanlab as wandb`，其余调用方式基本无需改动。
-
+
---
-
-
# 📌 数据介绍
-
-
## Ⅰ Tokenizer
分词器可以粗略理解成 LLM 使用的一本“词典”，负责把自然语言映射成 token id，再把 token id 解码回文本；项目中也提供了`train_tokenizer.py`作为词表训练示例。不建议重新训练 tokenizer，因为词表和切分规则一旦变化，模型权重、数据格式、推理接口与社区生态的兼容性都会下降，也会削弱模型的传播性。同时，tokenizer 还会影响 PPL 这类按 token 统计的指标，因此跨 tokenizer 比较时，BPB（Bits Per Byte）往往更有参考价值，可参考[这篇](https://skeptric.com/perplexity/)。
对 MiniMind 这类小模型来说，词表大小还会直接影响 embedding 层和输出层的参数占比，因此保持词表精简通常是更合适的取舍。
-Tokenizer介绍
+
+Tokenizer介绍
第三方强大的开源模型例如 Yi、Qwen2、ChatGLM、Mistral、Llama 3 的 tokenizer 词表长度如下：
-
-| Tokenizer模型 | 词表大小 | 来源 |
-| ----------- | ------- | -------------- |
-| Yi | 64,000 | 01万物（中国） |
-| Qwen2 | 151,643 | 阿里云（中国） |
-| ChatGLM | 151,329 | 智谱AI（中国） |
-| Mistral | 32,000 | Mistral AI（法国） |
-| Llama 3 | 128,000 | Meta（美国） |
-| MiniMind | 6,400 | 自定义 |
-
+
+ | Tokenizer模型 | 词表大小 | 来源 |
|---|
+ | Yi | 64,000 | 01万物（中国） |
+ | Qwen2 | 151,643 | 阿里云（中国） |
+ | ChatGLM | 151,329 | 智谱AI（中国） |
+ | Mistral | 32,000 | Mistral AI（法国） |
+ | Llama 3 | 128,000 | Meta（美国） |
+ | MiniMind | 6,400 | 自定义 |
+
> 当前主线为避免历史版本歧义并控制整体体积，统一使用 `minimind_tokenizer`，不再维护 `mistral_tokenizer` 版本。
尽管 `minimind_tokenizer` 的词表只有 `6400`，编解码效率弱于 `qwen2`、`glm` 等更偏中文友好的 tokenizer，但它能显著压缩 embedding 层和输出层的参数占比，更适合 MiniMind 这类小模型的体积约束。
从实际使用效果看，这套 tokenizer 并没有明显带来生僻词解码失败的问题，整体仍然足够稳定可用；因此当前主线训练也统一沿用这套词表，而不再额外分叉维护其他 tokenizer 版本。
-
+
## Ⅱ Pretrain数据
@@ -437,8 +418,6 @@ Tokenizer介绍
{"text": "Transformer 通过自注意力机制建模上下文关系，是现代大语言模型的重要基础结构。"}
```
-
-
## Ⅲ SFT数据
`MiniMind-3` 当前主线 SFT 数据为 `sft_t2t.jsonl` / `sft_t2t_mini.jsonl`。相比更早期的 `sft_512 / sft_1024 / sft_2048` 方案，当前版本更强调：
@@ -477,8 +456,6 @@ Tokenizer介绍
}
```
-
-
## Ⅳ RL 数据
`MiniMind` 当前主线 RL 数据为 `dpo.jsonl`。数据抽样自 [DPO-En-Zh-20k](https://huggingface.co/datasets/llamafactory/DPO-En-Zh-20k)。
@@ -525,16 +502,18 @@ MiniMind训练数据集下载地址： [ModelScope](https://www.modelscope.cn/da
└── sft_t2t.jsonl (14GB)
```
-注：各数据集简介
+
+注：各数据集简介
+
+* `agent_rl.jsonl` --Agentic RL 主线训练数据，用于 `train_agent.py` 的多轮 Tool-Use / CISPO / GRPO 训练
+* `agent_rl_math.jsonl` --Agentic RL 纯数学补充数据，适合带最终校验目标的多轮推理/工具使用场景（用于RLVR）
+* `dpo.jsonl` --RLHF阶段偏好训练数据（DPO）
+* `pretrain_t2t_mini`✨ --`minimind-3` 轻量预训练数据，适合快速复现（推荐设置`max_seq_len≈768`）
+* `pretrain_t2t` --`minimind-3` 主线预训练数据（推荐设置`max_seq_len≈380`）
+* `rlaif.jsonl`✨ --RLAIF训练数据集，用于PPO/GRPO/CISPO等强化学习算法训练
+* `sft_t2t_mini.jsonl`✨ --`minimind-3` 轻量SFT数据（用于快速训练Zero模型），推荐设置`max_seq_len≈768`，其中已混入一部分 Tool Call 样本
+* `sft_t2t.jsonl` --`minimind-3` 主线SFT数据，适合完整复现，其中同样已混入 Tool Call 样本
-- `agent_rl.jsonl` --Agentic RL 主线训练数据，用于 `train_agent.py` 的多轮 Tool-Use / CISPO / GRPO 训练
-- `agent_rl_math.jsonl` --Agentic RL 纯数学补充数据，适合带最终校验目标的多轮推理/工具使用场景（用于RLVR）
-- `dpo.jsonl` --RLHF阶段偏好训练数据（DPO）
-- `pretrain_t2t_mini`✨ --`minimind-3` 轻量预训练数据，适合快速复现（推荐设置`max_seq_len≈768`）
-- `pretrain_t2t` --`minimind-3` 主线预训练数据（推荐设置`max_seq_len≈380`）
-- `rlaif.jsonl`✨ --RLAIF训练数据集，用于PPO/GRPO/CISPO等强化学习算法训练
-- `sft_t2t_mini.jsonl`✨ --`minimind-3` 轻量SFT数据（用于快速训练Zero模型），推荐设置`max_seq_len≈768`，其中已混入一部分 Tool Call 样本
-- `sft_t2t.jsonl` --`minimind-3` 主线SFT数据，适合完整复现，其中同样已混入 Tool Call 样本
训练参数 `max_seq_len` 目前指的是 tokens 长度，而非绝对字符数。
本项目tokenizer在中文文本上大约`1.5~1.7 字符/token`，纯英文的压缩比在`4~5 字符/token`，不同数据分布会有波动。
@@ -542,64 +521,64 @@ MiniMind训练数据集下载地址： [ModelScope](https://www.modelscope.cn/da
例如：
-- 中文：`白日依山尽`5个字符可能被拆分为[`白日`,`依`,`山`,`尽`] 4个tokens；
-- 英文：`The sun sets in the west`24个字符可能被拆分为[`The` ,`sun` ,`sets` ,`in` ,`the`,`west`] 6个tokens
+* 中文：`白日依山尽`5个字符可能被拆分为[`白日`,`依`,`山`,`尽`] 4个tokens；
+* 英文：`The sun sets in the west`24个字符可能被拆分为[`The `,`sun `,`sets `,`in `,`the`,`west`] 6个tokens
“推荐设置”给出了各个数据集上最大tokens长度的粗略估计。
须知 `max_seq_len` 可以激进 / 保守 / 均衡地调整，因为更大或更小均无法避免副作用：一些样本短于 `max_seq_len` 后被 padding 浪费算力，一些样本长于 `max_seq_len` 后被截断语义。
在算力效率与语义完整性之间找到平衡点即可
+
-dataset
+
> MiniMind 主线训练数据组成与推荐组合示意图
-说明 & 推荐训练方案
+
+说明 & 推荐训练方案
-- `minimind-3` 主线推荐采用 `pretrain_t2t` + `sft_t2t` + `rlaif/agent_rl` 的阶段式训练组合。
-- 想要最快速度从0实现Zero模型，推荐使用`pretrain_t2t_mini.jsonl` + `sft_t2t_mini.jsonl` 的数据组合
-- 推荐具备一定算力资源或更在意效果的朋友完整复现 `minimind-3`；仅有单卡GPU或更在意快速复现的朋友强烈推荐 mini 组合。
-- 当前 `sft_t2t / sft_t2t_mini` 已经混入 Tool Call 数据，因此通常不需要再额外做一轮独立的 Tool Calling 监督微调。
+* `minimind-3` 主线推荐采用 `pretrain_t2t` + `sft_t2t` + `rlaif/agent_rl` 的阶段式训练组合。
+* 想要最快速度从0实现Zero模型，推荐使用`pretrain_t2t_mini.jsonl` + `sft_t2t_mini.jsonl` 的数据组合
+* 推荐具备一定算力资源或更在意效果的朋友完整复现 `minimind-3`；仅有单卡GPU或更在意快速复现的朋友强烈推荐 mini 组合。
+
+* 当前 `sft_t2t / sft_t2t_mini` 已经混入 Tool Call 数据，因此通常不需要再额外做一轮独立的 Tool Calling 监督微调。
+
+
# 📌 模型
-
-
## 结构
`minimind-3` Dense 使用 Transformer Decoder-Only 结构，整体配置已经向 `Qwen3` 生态对齐，方便后续转换到 `transformers / llama.cpp / ollama / vllm`：
-- 采用预标准化（Pre-Norm）+ RMSNorm。
-- 使用 SwiGLU 激活函数。
-- 使用 RoPE 旋转位置编码，并支持 YaRN 外推。
-- `q_heads=8`、`kv_heads=4`，`max_position_embeddings=32768`，`rope_theta=1e6`。
+* 采用预标准化（Pre-Norm）+ RMSNorm。
+* 使用 SwiGLU 激活函数。
+* 使用 RoPE 旋转位置编码，并支持 YaRN 外推。
+* `q_heads=8`、`kv_heads=4`，`max_position_embeddings=32768`，`rope_theta=1e6`。
`minimind-3-moe` 在相同结构上扩展 MoE 前馈层，实现上兼容 `Qwen3-MoE` 风格配置（去除 shared expert）。
-- 当前默认配置为 `4 experts / top-1 routing`，用于以更低激活参数获得更高容量。
-- Experts 继续增加后，实际耗时往往比同尺寸规模的 dense 模型高非常多，这和 “MoE 推理更快” 放在一起看会有点反直觉，但训练时 token 先按专家分桶、再分别做 forward，原生训练时带来的 `kernel` 启停和调度开销会急剧变重，这本身是很自然的事情。得靠支持 MoE kernel-fused 的算子库来优化，比如基于 `Triton` 的自定义 kernel、`DeepSpeed-MoE`、`Megatron-LM` 等等。当然，这个项目还是希望保留原生 PyTorch 的普适性，所以这里做的是现实的折中，在当前实现下，`4 experts / top-1` 这个甜点配置大约只比 dense 模型慢 `50%` 左右。
+* 当前默认配置为 `4 experts / top-1 routing`，用于以更低激活参数获得更高容量。
+* Experts 继续增加后，实际耗时往往比同尺寸规模的 dense 模型高非常多，这和 “MoE 推理更快” 放在一起看会有点反直觉，但训练时 token 先按专家分桶、再分别做 forward，原生训练时带来的 `kernel` 启停和调度开销会急剧变重，这本身是很自然的事情。得靠支持 MoE kernel-fused 的算子库来优化，比如基于 `Triton` 的自定义 kernel、`DeepSpeed-MoE`、`Megatron-LM` 等等。当然，这个项目还是希望保留原生 PyTorch 的普适性，所以这里做的是现实的折中，在当前实现下，`4 experts / top-1` 这个甜点配置大约只比 dense 模型慢 `50%` 左右。
`minimind-3` 系列结构如下图：
-structure
-structure-moe
+
+
修改模型配置见[./model/model_minimind.py](./model/model_minimind.py)，参考模型参数版本见下表：
-
-| Model Name | params | len_vocab | max_pos | rope_theta | n_layers | d_model | kv_heads | q_heads | note |
-| --------------- | --------- | --------- | ------- | ---------- | -------- | ------- | -------- | ------- | ----------------- |
-| minimind-3 | 64M | 6400 | 32768 | 1e6 | 8 | 768 | 4 | 8 | Dense |
-| minimind-3-moe | 198M-A64M | 6400 | 32768 | 1e6 | 8 | 768 | 4 | 8 | 4 experts / top-1 |
-| minimind2-small | 26M | 6400 | 32768 | 1e6 | 8 | 512 | 2 | 8 | 历史版本 |
-| minimind2-moe | 145M | 6400 | 32768 | 1e6 | 8 | 640 | 2 | 8 | 历史版本 |
-| minimind2 | 104M | 6400 | 32768 | 1e6 | 16 | 768 | 2 | 8 | 历史版本 |
-
-
+| Model Name | params | len_vocab | max_pos | rope_theta | n_layers | d_model | kv_heads | q_heads | note |
+|------------|--------|-----------|---------|------------|----------|---------|----------|---------|------|
+| minimind-3 | 64M | 6400 | 32768 | 1e6 | 8 | 768 | 4 | 8 | Dense |
+| minimind-3-moe | 198M-A64M | 6400 | 32768 | 1e6 | 8 | 768 | 4 | 8 | 4 experts / top-1 |
+| minimind2-small | 26M | 6400 | 32768 | 1e6 | 8 | 512 | 2 | 8 | 历史版本 |
+| minimind2-moe | 145M | 6400 | 32768 | 1e6 | 8 | 640 | 2 | 8 | 历史版本 |
+| minimind2 | 104M | 6400 | 32768 | 1e6 | 16 | 768 | 2 | 8 | 历史版本 |
## 模型配置
@@ -608,12 +587,13 @@ structure-moe
当前 `minimind-3` 主线选择 `dim=768, n_layers=8`，本质上是一种工程取舍：更浅的网络训练更快，同时 `dim` 也不至于过小而导致模式崩溃，因此能在训练效率、稳定性与最终效果之间取得相对均衡。
-查看详细说明
+
+查看详细说明
Scaling Law 在小模型上往往会呈现出一些不同于大模型的现象。决定 Transformer 参数规模变化的核心参数，通常主要就是 `d_model` 和 `n_layers`：
-- `d_model`↑ + `n_layers`↓ -> 矮胖子
-- `d_model`↓ + `n_layers`↑ -> 瘦高个
+* `d_model`↑ + `n_layers`↓ -> 矮胖子
+* `d_model`↓ + `n_layers`↑ -> 瘦高个
经典 Scaling Law 更强调训练数据量、参数量和训练步数的决定性作用，通常会弱化架构差异本身的影响；但在小模型区间，这个结论并不总是完全成立。
MobileLLM 的一个核心观察是：在参数量固定时，深度往往比宽度更重要。也就是说，相比“宽而浅”的结构，“深而窄”的模型更容易学到抽象概念。
@@ -623,18 +603,14 @@ MobileLLM 的一个核心观察是：在参数量固定时，深度往往比宽
相对地，当 `d_model > 1536` 时，继续增加层数往往比单纯继续加宽更划算，更容易带来更高的参数-效果收益。
作为参考，GPT-3 的参数设定如下：
-gpt3_config.png
-
+
+
---
-
-
# 📌 实验
-
-
## Ⅰ 训练开销
- **时间单位**：小时（h）
@@ -642,36 +618,29 @@ gpt3_config.png
- **3090 租卡单价**：约 `1.3￥/h`（实际价格可自行参考）
- **说明**：以下结果为 `minimind` 模型在单卡 `3090` 上的经验估算值，用于快速感知训练门槛
-
-| Model Name | params | pretrain_t2t_mini | sft_t2t_mini | toolcall | RLAIF |
-| -------------- | --------- | ----------------- | ------------- | ------------- | ------------- |
-| minimind-3 | 64M | ≈1.21h ≈1.57￥ | ≈1.10h ≈1.43￥ | ≈0.9h ≈1.17￥ | ≈1.1h ≈1.43￥ |
-| minimind-3-moe | 198M-A64M | ≈1.69h ≈2.20￥ | ≈1.54h ≈2.00￥ | ≈1.26h ≈1.64￥ | ≈1.54h ≈2.00￥ |
-
+| Model Name | params | pretrain_t2t_mini | sft_t2t_mini | toolcall | RLAIF |
+|------------|--------|-------------------|--------------|----------|-------|
+| minimind-3 | 64M | ≈1.21h
≈1.57￥ | ≈1.10h
≈1.43￥ | ≈0.9h
≈1.17￥ | ≈1.1h
≈1.43￥ |
+| minimind-3-moe | 198M-A64M | ≈1.69h
≈2.20￥ | ≈1.54h
≈2.00￥ | ≈1.26h
≈1.64￥ | ≈1.54h
≈2.00￥ |
---
-训练开销总结&预测
+
+训练开销总结&预测
> `minimind-3`
->
-> > `pretrain_t2t_mini` + `sft_t2t_mini`
-> >
-> > 单卡 `3090`，`1 epoch` 预计约 `2.31` 小时，成本约 `3.0` 元人民币
-> >
-> > 可从 0 训练出 `minimind-3 Zero` 对话模型。
+>> `pretrain_t2t_mini` + `sft_t2t_mini`
+
单卡 `3090`，`1 epoch` 预计约 `2.31` 小时，成本约 `3.0` 元人民币
+
可从 0 训练出 `minimind-3 Zero` 对话模型。
> `minimind-3-moe`
->
-> > `pretrain_t2t_mini` + `sft_t2t_mini`
-> >
-> > 单卡 `3090`，`1 epoch` 预计约 `3.23` 小时，成本约 `4.2` 元人民币
-> >
-> > 可快速得到 `minimind-3-moe` 的基础对话版本。
+>> `pretrain_t2t_mini` + `sft_t2t_mini`
+
单卡 `3090`，`1 epoch` 预计约 `3.23` 小时，成本约 `4.2` 元人民币
+
可快速得到 `minimind-3-moe` 的基础对话版本。
> 以上均为估算值，仅用于快速感知训练门槛。
-
+
基于单卡 `NVIDIA 3090`，`minimind zero` 从 0 训练依然可以控制在约 `2` 小时量级，个人开发者也能较低门槛地快速上手。
@@ -694,16 +663,13 @@ gpt3_config.png
尽管该版本已经具备基础对话能力，但事实知识与泛化效果仍较有限；它更适合作为 Zero 训练路线可行性的早期参考。
Zero 模型权重保存为 `full_sft_zero_768.pth`（见下文 MiniMind 模型文件链接），如有兴趣可下载体验其对话效果。
+
---
-
-
## Ⅱ 主要训练（必须）
> 所有训练脚本均 `cd ./trainer` 目录执行
-
-
### 1' 预训练 (Pretrain):
LLM 首先要学会的是先把尽可能多的基础知识和语言规律吸收到参数里。只有这一步打稳了，模型后面才有能力去理解问题、组织表达，并逐步形成像样的生成能力。预训练做的事情，本质上就是让模型先埋头读大量文本，例如 Wiki 百科、新闻、书籍、对话语料等，从中学习事实知识、语言模式以及上下文之间的统计关系。这个阶段通常是“无监督”的：人类不需要逐条告诉模型哪里对、哪里错，而是让它自己从海量文本里总结规律，逐步建立起对世界知识和语言结构的内部表征。
@@ -718,8 +684,7 @@ python train_pretrain.py
> 训练后的模型权重文件默认每隔`save_interval步`保存为:`pretrain_*.pth`（*为模型具体dimension，每次保存时新文件会覆盖旧文件）
-pretrain_loss
-
+
> `768dim` 配置在预训练阶段的 loss 曲线
```bash
@@ -733,8 +698,6 @@ python eval_llm.py --weight pretrain
🧠: 机器学习是人工智能的一个重要分支，它通过数据训练模型，使系统能够自动学习规律，并在分类、预测、推荐、自然语言处理等任务中持续改进效果。
```
-
-
### 2' 有监督微调 (Supervised Fine-Tuning):
SFT 并不只是把模型调成“更会聊天”，它同样可以继续向模型中灌入新的知识、行为模式和回答风格。尤其是像 MiniMind 当前主线这样体量达到 `14GB` 的 SFT 数据，本身就已经不只是简单的格式对齐，而更接近一种带有 `mid training` 性质的持续强化过程。
@@ -751,8 +714,7 @@ python train_full_sft.py
> 训练后的模型权重文件默认每隔`save_interval步`保存为: `full_sft_*.pth`（*为模型具体dimension，每次保存时新文件会覆盖旧文件）
-sft_loss
-
+
> `768dim` 配置在 SFT 阶段的 loss 曲线
```bash
@@ -766,29 +728,22 @@ python eval_llm.py --weight full_sft
🧠: 例如北京烤鸭、兰州拉面、四川火锅、广东早茶、小笼包和麻婆豆腐等，这些美食分别代表了不同地区的风味特点，也很适合作为了解中国饮食文化的入门选择。
```
-
-
## Ⅲ 其它训练（可选）
> 所有训练脚本均 `cd ./trainer` 目录执行
-
-
### 3' 知识蒸馏 (Knowledge Distillation, KD)
知识蒸馏大体可以分成黑盒和白盒两类，MiniMind 当前主线两种思路都有涉及，只是侧重点不同。
-
-- 黑盒蒸馏：更常见，也更贴近当前主线的实际做法。严格来说，它本质上仍然是面向教师输出结果的监督微调，也就是基于硬标签继续训练；只是随着 LLM 的流行，这类“对着强模型输出做 FT”的做法也逐渐被广义地归入了蒸馏范畴，因此通常被称为黑盒蒸馏。它重点学习的是答案、风格和行为模式，学生模型只能看到“老师说了什么”，却看不到老师内部是如何做出这个判断的。像 `DeepSeek R1`、`Qwen3` 的高质量回答，以及 `tool call`、`reasoning`、思维链等数据，都可以看作黑盒蒸馏信号；MiniMind 当前主线 `full_sft` 数据里，其实已经混入了相当一部分这样的思路。
-- 白盒蒸馏：更进一步，不只学习教师给出的最终输出，还去学习教师在 token 分布层面的偏好。相比黑盒蒸馏，它额外利用了教师模型输出层更细粒度的分布信息，因此学生模型学到的不只是“标准答案”，还包括教师在候选 token 之间的相对倾向。对应到 `train_distillation.py`，当前实现是在已经完成 SFT 的权重基础上，继续用教师模型提供的分布信号来训练学生模型，因此更适合作为理解 MiniMind 蒸馏流程的参考实现。
+* 黑盒蒸馏：更常见，也更贴近当前主线的实际做法。严格来说，它本质上仍然是面向教师输出结果的监督微调，也就是基于硬标签继续训练；只是随着 LLM 的流行，这类“对着强模型输出做 FT”的做法也逐渐被广义地归入了蒸馏范畴，因此通常被称为黑盒蒸馏。它重点学习的是答案、风格和行为模式，学生模型只能看到“老师说了什么”，却看不到老师内部是如何做出这个判断的。像 `DeepSeek R1`、`Qwen3` 的高质量回答，以及 `tool call`、`reasoning`、思维链等数据，都可以看作黑盒蒸馏信号；MiniMind 当前主线 `full_sft` 数据里，其实已经混入了相当一部分这样的思路。
+* 白盒蒸馏：更进一步，不只学习教师给出的最终输出，还去学习教师在 token 分布层面的偏好。相比黑盒蒸馏，它额外利用了教师模型输出层更细粒度的分布信息，因此学生模型学到的不只是“标准答案”，还包括教师在候选 token 之间的相对倾向。对应到 `train_distillation.py`，当前实现是在已经完成 SFT 的权重基础上，继续用教师模型提供的分布信号来训练学生模型，因此更适合作为理解 MiniMind 蒸馏流程的参考实现。
黑盒蒸馏本质上等价于对 teacher 生成答案做监督微调：
-
```math
\mathcal{L}_{blackbox} = \mathrm{CE}(y_{teacher}, p_{student})
```
白盒蒸馏则通常在监督损失之外，再额外拟合教师分布：
-
```math
\mathcal{L}_{whitebox} = \alpha \mathcal{L}_{CE} + (1-\alpha) T^2 \mathrm{KL}(p_t^T \parallel p_s^T)
```
@@ -802,8 +757,6 @@ torchrun --nproc_per_node 1 train_distillation.py
python train_distillation.py
```
-
-
### 4' LoRA (Low-Rank Adaptation)
LoRA 是一种常见的参数高效微调（Parameter-Efficient Fine-Tuning, PEFT）方法。相比全参数微调，它只更新少量新增参数，而保留原始模型主体权重不变，因此训练成本更低，也更适合做垂直场景适配。
@@ -819,6 +772,7 @@ cd trainer && python train_lora.py
> 训练后的模型权重文件默认每隔`save_interval步`保存为: `lora_xxx_*.pth`（*为模型具体dimension，每次保存时新文件会覆盖旧文件）
+
LoRA 很适合处理“如何在尽量保留通用能力的前提下，让模型快速适应私有领域或垂直场景”这类问题。例如基础模型医学知识不足时，就可以在原有模型之上叠加一层面向医疗场景的 LoRA 权重，以较小代价获得更好的领域表现。
通常只需要准备同样的多轮对话格式数据，放置到 `lora_xxx.jsonl`，再从仓库根目录执行 `cd trainer && python train_lora.py`，即可得到新的 `LoRA` 模型权重。
@@ -853,14 +807,13 @@ python eval_llm.py --weight full_sft --lora_weight lora_identity
PS：如果有更充足的数据，也可以直接做 `full_sft` 全参微调；不过这通常需要更谨慎地混合通用数据与领域数据，否则很容易因为过拟合垂域样本而损失模型原有的通用性。
+
> `LoRA` 权重可合并回基础模型并导出为新的完整模型权重，可使用 `scripts/convert_model.py` 中的 `convert_merge_base_lora`：
```bash
cd scripts && python convert_model.py
```
-
-
### **5' 工具调用 & 自适应思考**
`2026-03` 起，仓库移除了独立的 `train_reason.py`。
@@ -903,8 +856,6 @@ python eval_toolcall.py --weight full_sft
🧠: 现在是2026年3月15日17时18分22秒。
```
-
-
#### 5.2 Adaptive Thinking
`minimind` 将显式思考能力统一到了模板层，这也和当前很多主流大模型的模板设计保持一致：
@@ -941,68 +892,53 @@ response = client.chat.completions.create(
- 通过**人类**对模型输出的偏好进行评价来训练模型，使其生成更符合人类价值观和偏好的内容。
-1. **基于AI反馈的强化学习 (Reinforcement Learning from AI Feedback, RLAIF)**
+2. **基于AI反馈的强化学习 (Reinforcement Learning from AI Feedback, RLAIF)**
- 使用**AI模型**或其他可自动验证的机制来提供反馈，而不直接依赖人类标注。
- 这里的“AI feedback”在广义上也可以扩展到规则奖励、Ground Truth 校验、代码解释器、环境反馈等自动化信号。
-
-| 类型 | 裁判 | 优点 | 缺点 |
-| ----- | --- | --------- | ---------- |
-| RLHF | 人类 | 更贴近真实人类偏好 | 成本高、效率低 |
-| RLAIF | 模型 | 自动化、可扩展性强 | 可能偏离人类真实偏好 |
-
+| 类型 | 裁判 | 优点 | 缺点 |
+|-------|----|-----------|------------|
+| RLHF | 人类 | 更贴近真实人类偏好 | 成本高、效率低 |
+| RLAIF | 模型 | 自动化、可扩展性强 | 可能偏离人类真实偏好 |
二者本质上都属于利用某种形式的"**反馈**"来优化模型行为的强化学习范式。
不过在具体实践里，它们并不只是反馈来源不同：奖励是否可验证、是否连续、是否依赖环境交互、是否延迟到整轮结算，都会直接影响训练形态与工程实现。
+
### 👀 PO算法的统一视角
在介绍实现具体算法之前，我先以个人理解的极简视角，阐述所有Policy Optimization (PO)算法的统一共性。
所有RL算法的本质都只是在优化一个期望：
-$$
-\mathcal{J}_{PO} =
-\mathbb{E}_{q \sim P(Q),\, o \sim \pi(O \mid q)}
-\left[
- \underbrace{f(r_t)}_{\text{策略项}}
- \cdot
- \underbrace{g(A_t)}_{\text{优势项}}
- -
- \underbrace{h(\text{KL}_t)}_{\text{正则项}}
-\right]
-$$
+$$\mathcal{J}_{PO} = \mathbb{E}_{q \sim P(Q), o \sim \pi(O|q)} \left[ \underbrace{f(r_t)}_{\text{策略项}} \cdot \underbrace{g(A_t)}_{\text{优势项}} - \underbrace{h(\text{KL}_t)}_{\text{正则项}} \right]$$
-训练时，只需**最小化负目标函数**，即：$\mathcal{L}_{PO} = -\mathcal{J}_{PO}$
+训练时，只需**最小化负目标函数**，即: $\mathcal{L}_{PO} = -\mathcal{J}_{PO}$
这个框架只包含三个核心组件：
+* **策略项** $f(r_t)$: 如何使用概率比 $r_t$? 即告诉模型新旧策略偏差有多大，是否探索到了更好的token
+* **优势项** $g(A_t)$: 如何计算优势 $A_t$, 这很重要！大模型算对定积分也不足为奇，小模型回答对加减法优势通常都是正的
+* **正则项** $h(\text{KL}_t)$: 如何约束变化幅度 $\text{KL}_t$, 既防止跑偏又防止管的太死
-- **策略项** $f(r_t)$: 如何使用概率比 $r_t$? 即告诉模型新旧策略偏差有多大，是否探索到了更好的token
-- **优势项** $g(A_t)$: 如何计算优势 $A_t$, 这很重要！大模型算对定积分也不足为奇，小模型回答对加减法优势通常都是正的
-- **正则项** $h(\text{KL}_t)$: 如何约束变化幅度 $\text{KL}_t$, 既防止跑偏又防止管的太死
-
-（展开）符号说明
-
-
-| 符号 | 含义 | 说明 | 值域 |
-| ------------- | ------ | ---------------------------------------------------------------------------- | -------------------- |
-| $q$ | 问题/提示词 | 从数据集 $P(Q)$ 中采样 | - |
-| $o$ | 模型输出序列 | 由策略 $\pi$ 生成 | - |
-| $r_t$ | 概率比 | $r_t(\theta) = \frac{\pi_\theta(o_t \mid q, o_{
+（展开）符号说明
+| 符号 | 含义 | 说明 | 值域 |
+|------|------|------|------|
+| $q$ | 问题/提示词 | 从数据集 $P(Q)$ 中采样 | - |
+| $o$ | 模型输出序列 | 由策略 $\pi$ 生成 | - |
+| $r_t$ | 概率比 | $r_t = \frac{\pi_\theta(o_t \mid q, o_{
不同的**xxPO算法**本质上只是对这三个组件的不同设计的实例化！
---
-
-
### **6' 基于人类反馈的强化学习 (Reinforcement Learning from Human Feedback, RLHF)**
在前面的训练步骤中，模型已经具备了基本的对话能力，但是这样的能力完全基于单词接龙，缺少正反样例的激励。
@@ -1010,19 +946,16 @@ $$
这个过程就像是让模型参加新的培训，从优秀员工的作为例子，消极员工作为反例，学习如何更好地回复。
#### 6.1 Direct Preference Optimization
-
直接偏好优化（DPO）算法，损失为：
$$\mathcal{L}_{DPO} = -\mathbb{E}\left[\log \sigma\left(\beta \left[\log \frac{\pi_\theta(y_w|x)}{\pi_{ref}(y_w|x)} - \log \frac{\pi_\theta(y_l|x)}{\pi_{ref}(y_l|x)}\right]\right)\right]$$
其中：
-
- **策略项**: $f(r_t) = \log r_w - \log r_l$ (对比chosen vs rejected的概率比)
- **优势项**: $g(A_t)$ = 无显式优势项（通过偏好对比隐式体现）
- **正则项**: $h(\text{KL}_t)$ = 隐含在 $\beta$ 中 (控制偏离参考模型程度)
特别地，
-
- DPO从PPO带KL约束的目标推导出对偏好对的解析训练目标，直接最大化"chosen优于rejected"的对数几率；无需同步训练Reward/Value模型。DPO只需跑`actor`与`ref`两个模型，显存占用低、收敛稳定、实现简单。
- 训练范式：off‑policy，使用静态偏好数据集，可反复多轮epoch；Ref模型固定（预先缓存输出）。
- DPO的局限在于不做在线探索，更多用于"偏好/安全"的人类价值对齐；对"能不能做对题"的智力能力提升有限（当然这也取决于数据集，大规模收集正反样本并人类评估很困难）。
@@ -1036,8 +969,6 @@ python train_dpo.py
> 训练后的模型权重文件默认每隔`save_interval步`保存为: `dpo_*.pth`（*为模型具体dimension，每次保存时新文件会覆盖旧文件）
-
-
### 7' 基于 AI 反馈的强化学习 (Reinforcement Learning from AI Feedback, RLAIF)
稍微花篇幅解释一下，我还是更想把这一节叫作 `RLAIF`，虽然严格来说，这个命名并不完全准确。像 RLVR 这类依赖可验证奖励的路线，本身有相对独立的脉络，很难被简单并进狭义的 AI feedback 里。
@@ -1047,9 +978,8 @@ python train_dpo.py
它们共同的特点通常都是**On-Policy**与**可扩展性强**——不需要昂贵的人工标注，可以生成海量训练样本，让模型在在线大量试错中快速进化。
MiniMind 着手实现**2+N**种基本+前沿的RLAIF方法：
-
-- **PPO**、**GRPO** 被大规模验证的经典RL算法
-- N种前沿RL算法（不定期以Exp性质更新）
+* **PPO**、**GRPO** 被大规模验证的经典RL算法
+* N种前沿RL算法（不定期以Exp性质更新）
**1️⃣ 数据集准备 (必须)**
@@ -1088,13 +1018,15 @@ root/
└── ...
```
-**奖励机制选择与MiniMind限制说明（点击展开）**
+
+奖励机制选择与MiniMind限制说明（点击展开）
**1. 奖励机制的多样性**
RLAIF中的"奖励信号"来源可以非常灵活：
- **Model-based奖励**：可使用专门的Reward Model（如InternLM2-Reward），也可使用通用LLM+提示词进行打分（如Qwen3-as-a-Judge）。奖励模型规模和架构均可自由选择。
+
- **Rule-based奖励**：可以基于规则函数构造奖励信号，例如：
- 数学题答案正确性验证（Ground Truth对比）
- SQL执行成功率与结果准确性
@@ -1102,6 +1034,7 @@ RLAIF中的"奖励信号"来源可以非常灵活：
- 工具调用返回状态（API成功/失败）
- 格式合规性检查（JSON/XML解析）
- 推理链完整性评估（CoT步骤数）
+
- **Environment-based奖励**：在Agent场景中，环境反馈本身即为天然奖励（如游戏得分、Research完整度、任务完成度）。
任何能够量化"回答质量"的机制都可作为RL的奖励来源。DeepSeek R1就是典型案例：使用规则函数验证数学答案正确性作为奖励，无需额外的Reward Model。
@@ -1139,11 +1072,10 @@ RLAIF训练既可以针对推理模型也可以针对非推理模型，区别仅
- **Model-based奖励局限**：对长链路、可执行语义的全貌捕捉有限，且大概率和真实环境反馈不一致（reward hacking）。
+
---
-
-
#### 7.1 [Proximal Policy Optimization](https://arxiv.org/abs/1707.06347)
PPO 是 2017 年 OpenAI 提出的非常经典的强化学习算法，也是 LLM RL 领域最常见的基线方法之一。
@@ -1152,13 +1084,11 @@ PPO 是 2017 年 OpenAI 提出的非常经典的强化学习算法，也是 LLM
$$\mathcal{L}_{PPO} = -\mathbb{E}\left[\min(r_t \cdot A_t, \text{clip}(r_t, 1-\varepsilon, 1+\varepsilon) \cdot A_t)\right] + \beta \cdot \mathbb{E}[\text{KL}]$$
其中：
-
-- **策略项**: $\min\left(r_t A_t,\ \mathrm{clip}(r_t, 1-\varepsilon, 1+\varepsilon)A_t\right)$ (对概率比和优势项一起做裁剪，防止更新过激)
-- **优势项**: $A_t$（通常由Critic网络估计，也可以使用GAE进行计算）
-- **正则项**: $\beta \cdot \mathbb{E}[\text{KL}]$ (全局KL散度约束)
+- **策略项**: $f(r_t) = \min(r_t, \text{clip}(r_t, 1-\varepsilon, 1+\varepsilon))$ (裁剪概率比防止更新过激)
+- **优势项**: $g(A_t) = R - V(s)$ (通过Critic网络估计价值函数)
+- **正则项**: $h(\text{KL}_t) = \beta \cdot \mathbb{E}[\text{KL}]$ (全局KL散度约束)
对比DPO而言，
-
- DPO (Off-Policy)：训练数据是静态偏好对（chosen vs rejected），可以反复使用同一批数据训练多个 epoch，像传统监督学习一样。数据效率高、成本低，且无需 Reward Model。
- PPO (On-Policy)：必须用当前策略实时采样新数据，旧策略数据只能有限复用，否则就会出现 distribution shift。虽然 importance sampling 和 clip 允许轻微偏移，但本质上仍要求数据来自较新的策略。数据效率更低，但更适合探索式学习。
@@ -1180,7 +1110,8 @@ python train_ppo.py
> 训练后的模型权重文件默认每隔`save_interval步`保存为: `ppo_actor_*.pth`（*为模型具体dimension）
-ppo_loss
+
+
> MiniMind 在 PPO 训练阶段的优化走势
@@ -1195,15 +1126,15 @@ ppo_loss
$$\mathcal{L}_{GRPO} = -\mathbb{E}\left[\min(r_t \cdot A_t, \mathrm{clip}(r_t, 1-\varepsilon, 1+\varepsilon) \cdot A_t) - \beta \cdot \text{KL}_t\right]$$
其中：
-
-- **策略项**: $\min\left(r_t A_t,\ \mathrm{clip}(r_t, 1-\varepsilon, 1+\varepsilon)A_t\right)$ (使用概率比的对称 clip 裁剪)
-- **优势项**: $A_{i,j} = \frac{R_{i,j} - \mu_i}{\sigma_i + \epsilon}$ (组内归一化，不需要额外训练Critic网络)
-- **正则项**: $\beta \cdot \text{KL}_t$ (token级KL散度约束)
+- **策略项**: $f(r_t) = \min(r_t, \mathrm{clip}(r_t, 1-\varepsilon, 1+\varepsilon))$ (使用概率比的对称 clip 裁剪)
+- **优势项**: $g(A_t) = \frac{R - \mu_{group}}{\sigma_{group}}$ (组内归一化，消除Critic网络)
+- **正则项**: $h(\text{KL}_t) = \beta \cdot \text{KL}_t$ (token级KL散度约束)
对于同一个问题，模型生成 N 个回答并计算各自奖励，再用组内平均奖励作为 baseline。高于 baseline 的回答被鼓励，低于 baseline 的回答被抑制，因此无需额外训练 critic 网络。
GRPO 更显著的问题是退化组（Degenerate Groups）：如果某个问题上 N 个回答的奖励几乎一样，那么这一组的学习信号就会接近 0。在 MiniMind 这种超小模型上，这个问题尤其明显，所以训练必须限制在合理的能力边界内。
+
**训练方式**：
```bash
@@ -1215,7 +1146,8 @@ python train_grpo.py
> 训练后的模型权重文件默认每隔`save_interval步`保存为: `grpo_*.pth`
-grpo_loss
+
+
> MiniMind 在 GRPO 训练阶段的优化走势
@@ -1228,13 +1160,12 @@ CISPO 的关注点并不是重新设计 group baseline，而是用非常小的 l
**CISPO损失**：
-$$\mathcal{L}_{CISPO} = -\mathbb{E}\left[\min(r_t, \varepsilon_{\mathrm{high}}) \cdot A_t \cdot \log \pi_\theta(a_t|s) - \beta \cdot \text{KL}_t\right]$$
+$$\mathcal{L}_{CISPO} = -\mathbb{E}\left[\min(r_t, \varepsilon_{max}) \cdot A_t \cdot \log \pi_\theta(a_t|s) - \beta \cdot \text{KL}_t\right]$$
其中：
-
-- **策略项**: $f(r_t) = \min(r_t, \varepsilon_{\mathrm{high}}) \cdot \log \pi_\theta(a_t|s)$ (ratio 只作为裁剪后的权重)
-- **优势项**: $g(A_t) = \frac{R - \mu_{group}}{\sigma_{group} + \epsilon}$ (可直接沿用 GRPO 的组内相对优势)
-- **正则项**: $h(\text{KL}_t) = \beta \cdot \text{KL}_t$ (token 级 KL 散度约束)
+- **策略项**: $f(r_t) = \min(r_t, \varepsilon_{max}) \cdot \log \pi_\theta(a_t|s)$ (ratio 只作为裁剪后的权重)
+- **优势项**: $g(A_t) = \frac{R - \mu_{group}}{\sigma_{group}}$ (可直接沿用 GRPO 的组内相对优势)
+- **正则项**: $h(\text{KL}_t) = \beta \cdot \text{KL}_t$ (token级KL散度约束)
CISPO在GRPO基础上，把原本容易被clip成常数的策略项改写成“裁剪权重 × log 概率”的形式。这样ratio即使被截断，也不会把梯度路径一起截断。因此可以直接把CISPO视作GRPO的loss变体来实现，而不是单独维护一套独立脚本。这里不再单列实验。只需在 `train_grpo.py` 把 `loss_type` 配置为 `cispo`，其余训练流程仍沿用 GRPO 的分组采样、奖励计算与优势构造逻辑即可。
@@ -1266,6 +1197,8 @@ $$
这里同时考虑工具调用合法性、`gt` 命中、格式闭合、未完成惩罚与 Reward Model 分数。和普通 PPO / GRPO 相比，这里是多轮 rollout、延迟 reward。
+
+
**训练方式**：
```bash
@@ -1286,13 +1219,13 @@ python train_agent.py --rollout_engine sglang --sglang_base_url http://localhost
> 训练后的模型权重文件默认每隔`save_interval步`保存为: `agent_*.pth`
-agent_rl_loss
+
> MiniMind 在 Agentic RL 训练阶段的优化走势
这里顺带提一下 `rollout_engine`。所谓“训推分离”，就是把 **参数更新** 和 **轨迹展开** 拆开：训练侧负责优化 policy，rollout 侧负责高吞吐采样，对上统一表现为“给我 prompt，我返回 rollout 结果；训练完以后，再把新权重同步回来”。因此训练脚本并不需要关心底层到底是本地 `generate` 还是远端 `inference` 引擎。需要说明的是，当前实现仍是**同步**模式（采样完一批再更新），还不是纯 rollout buffer 的异步训练。
-rl-structure
+
> MiniMind 中训练侧、轨迹侧与 rollout 侧解耦的 RL 结构示意图
@@ -1325,40 +1258,34 @@ python eval_toolcall.py --weight agent
🧠: 生成的1到1000的随机数是71，根据计算结果，71的平方等于5041。
```
-agent_webui
+
> 基于AgentRL训练结果测试，支持思考展示、工具选择与多轮 Tool Use 交互
-
-
### 🖊️ RL小结
我们收束回“**统一框架**”：不同 PO 算法本质上只是对三个核心组件的不同实例化，见下表。
-
-| 算法 | 策略项 $f(r_t)$ | 优势项 $g(A_t)$ | 正则项 $h(\text{KL}_t)$ | 训练模型数 |
-| --------- | ------------------------------------------------------------------------ | ------------------------ | ----------------------------------- | ---------- |
-| **DPO** | $\log r_w - \log r_l$ | 无显式优势项 | 隐含在 $\beta$ 中 | 1 (前向参与 2) |
-| **PPO** | $\min(r_t A_t, \mathrm{clip}(r_t, 1-\varepsilon, 1+\varepsilon)A_t)$ | $A_t$（通常由 Critic / GAE 估计） | $\beta \cdot \mathbb{E}[\text{KL}]$ | 2 |
-| **GRPO** | $\min(r_t A_t, \mathrm{clip}(r_t, 1-\varepsilon, 1+\varepsilon)A_t)$ | $\frac{R - \mu}{\sigma + \epsilon}$ | $\beta \cdot \text{KL}_t$ | 1 |
-| **CISPO** | $\min(r_t, \varepsilon_{\mathrm{high}}) \cdot A_t \cdot \log \pi_\theta$ | $\frac{R - \mu}{\sigma + \epsilon}$ | $\beta \cdot \text{KL}_t$ | 1 |
-
+| 算法 | 策略项 $f(r_t)$ | 优势项 $g(A_t)$ | 正则项 $h(\text{KL}_t)$ | 训练模型数 |
+|------|----------------|----------------|----------------------|----------|
+| **DPO** | $\log r_w - \log r_l$ | 无显式优势项 | 隐含在 $\beta$ 中 | 1 (前向参与 2) |
+| **PPO** | $\min(r, \text{clip}(r))$ | $R - V(s)$ | $\beta \cdot \mathbb{E}[\text{KL}]$ | 2 |
+| **GRPO** | $\min(r, \text{clip}(r))$ | $\frac{R - \mu}{\sigma}$ | $\beta \cdot \text{KL}_t$ | 1 |
+| **CISPO** | $\mathrm{clip}(r, 0, \varepsilon_{max}) \cdot A_t \cdot \log \pi_\theta$ | $\frac{R - \mu}{\sigma}$ | $\beta \cdot \text{KL}_t$ | 1 |
**说白了，这些 RL 算法不是割裂独立的，而是在统一优化视角下，对同一目标函数进行不同设计权衡后形成的自然变体，呈现为一种优美自洽的统一。**
---
-
-
## Ⅴ 训练结果开源 📦
-
-
#### ① PyTorch模型 ([ModelScope](https://www.modelscope.cn/models/gongjy/minimind-3-pytorch) | [HuggingFace](https://huggingface.co/jingyaogong/minimind-3-pytorch))
> 注：模型权重以实际 release 为准。并非所有训练阶段或实验分支（如 DPO、PPO、GRPO、CISPO、Agent、LoRA 等）的权重都会持续维护并单独公开；部分权重仅用于实验验证或学习用途，随着数据迭代或模型调整，逐一同步更新所有版本的必要性有限，且会带来较高的维护与训练成本。
-Torch文件命名对照
+
+
+Torch文件命名对照
- Dense:
- Pretrain: `pretrain_{hidden_size}.pth`
@@ -1368,10 +1295,11 @@ Torch文件命名对照
- GRPO: `grpo_{hidden_size}.pth`
- Agent: `agent_{hidden_size}.pth`
- LoRA: `lora_xxx_{hidden_size}.pth`
+
- MoE:
- 对应同名权重在末尾追加了 `_moe` 后缀，例如：`pretrain_{hidden_size}_moe.pth`、`full_sft_{hidden_size}_moe.pth`
-
+
#### ② Transformers模型 ([ModelScope](https://www.modelscope.cn/collections/MiniMind-b72f4cfeb74b47) | [HuggingFace](https://huggingface.co/collections/jingyaogong/minimind-66caf8d999f5c7fa64f399e5))
@@ -1379,12 +1307,8 @@ Torch文件命名对照
---
-
-
# 📌 评估
-
-
## Ⅰ RL模型对比
基于`minimind-3 (64M)`在相同随机种子等超参下的主/客观对比，供参考：
@@ -1417,7 +1341,6 @@ Torch文件命名对照
```
-
### 测试2：轻 Agent 任务对比
一个基于 `eval_toolcall` 脚本改出来的测试，用一组数学 ToolUse 任务，对比当前 `agent` 权重和 `full_sft` 权重的表现：
@@ -1472,8 +1395,6 @@ full_sft: 12/20 = 60.00%
agent: 17/20 = 85.00%
```
-
-
### 👉 综合评价1
从这组结果看，当前 `agent` 相比 `full_sft`，在带工具调用的轻量 Agent 任务上已经明显拉开差距了。尤其是这类“先决定要不要调工具，再把可验证结果做对”的题型里，`agent` 的成功率更高，说明 RL 之后模型在 ToolUse 这条线上确实学到了更强的调用与利用能力。
@@ -1546,11 +1467,10 @@ agent: 17/20 = 85.00%
[D]: 我是一个参数很少的AI模型🥺，知识库较少，无法直接回答您的问题，换个问题试试吧👋
```
-
-
🙋直接把以上所有问题和模型的回答丢给 GPT-5.4 Thinking，让它帮忙点评和排名打分：
-具体点评
+
+具体点评
```text
### 评分标准：
@@ -1591,17 +1511,14 @@ agent: 17/20 = 85.00%
```
+
-
-
-| 排名 | 模型 | 准确性 (30分) | 完整性 (30分) | 逻辑性 (20分) | 代码质量 (20分) | 总分 (100分) |
-| --- | --- | --------- | --------- | --------- | ---------- | --------- |
-| 1 | B | 11 | 23 | 16 | 18 | 68 |
-| 2 | D | 25 | 19 | 15 | 3 | 62 |
-| 3 | A | 10 | 21 | 13 | 17 | 61 |
-| 4 | C | 8 | 6 | 5 | 2 | 21 |
-
-
+| 排名 | 模型 | 准确性 (30分) | 完整性 (30分) | 逻辑性 (20分) | 代码质量 (20分) | 总分 (100分) |
+|----|----|-----------|-----------|-----------|------------|-----------|
+| 1 | B | 11 | 23 | 16 | 18 | 68 |
+| 2 | D | 25 | 19 | 15 | 3 | 62 |
+| 3 | A | 10 | 21 | 13 | 17 | 61 |
+| 4 | C | 8 | 6 | 5 | 2 | 21 |
### 👉 综合评价2
@@ -1610,8 +1527,6 @@ agent: 17/20 = 85.00%
---
-
-
## Ⅳ RoPE长度外推
MiniMind 支持通过 YaRN 算法进行 RoPE 位置编码的长度外推，使模型能够更稳定地处理超出训练长度的文本序列。
@@ -1637,18 +1552,19 @@ python eval_llm.py --weight full_sft --inference_rope_scaling
下面以 MiniMind 为例，使用不同长度的《西游记》白话文本作为输入，对比启用 RoPE scaling 前后的困惑度（PPL）变化。可以看到，在长文本场景下，启用 YaRN 外推后模型的 PPL 明显下降：
-
+
+
+
+补充说明（来源/无污染/复现）
minimind-3-exam 不是更大的基座模型，也几乎没有额外注入新知识。它仅基于 minimind-3 在 [lora_exam.jsonl](https://huggingface.co/datasets/jingyaogong/minimind_dataset/blob/main/lora_exam.jsonl) 上做了一次轻量 LoRA 对齐，再将 [lora_exam_768.pth](https://huggingface.co/jingyaogong/minimind-3-pytorch/resolve/main/lora_exam_768.pth) 合并回基模后的结果。这部分数据由 ceval 与 mmlu (英文) 的 test 子集抽样构成，并做了前缀、后缀等格式增强，主要作用是对齐选择题评测中常见的上下文与候选项组织形式，而不是学习题目答案。
@@ -1689,33 +1606,61 @@ minimind-3-exam 不是更大的基座模型，也几乎没有额外注入新知
这个实验想说明的只是：对这类评测，小模型的瓶颈未必完全在知识本身，也可能在于输入格式没有对齐。仅做少量格式对齐后，minimind-3-exam 在上面 7 个任务上平均提升约 2.9 个百分点。
+
-
-benchmark_radar
+
# 📌 其他
-
-
## 🔧 模型转换
-- [./scripts/convert_model.py](./scripts/convert_model.py) 可用于 `torch / transformers` 两种模型格式之间的相互转换。
-- 如无特殊说明，`MiniMind` 主线发布的开源模型通常以 `Transformers` 格式提供；若使用原生 `torch` 权重，请先执行 `torch2transformers` 转换。
-
+* [./scripts/convert_model.py](./scripts/convert_model.py) 可用于 `torch / transformers` 两种模型格式之间的相互转换。
+* 如无特殊说明，`MiniMind` 主线发布的开源模型通常以 `Transformers` 格式提供；若使用原生 `torch` 权重，请先执行 `torch2transformers` 转换。
## 🖥️ 基于 MiniMind 的 API 服务接口
-- [./scripts/serve_openai_api.py](./scripts/serve_openai_api.py) 提供了一个兼容 OpenAI API 的轻量聊天服务，便于将自己的模型接入 FastGPT、OpenWebUI、Dify 等第三方 UI。
-- 当前接口额外支持 `reasoning_content`、`tool_calls`、`open_thinking` 等字段，适合直接用于 Tool Calling / Thinking 场景。
-- 从 [HuggingFace](https://huggingface.co/collections/jingyaogong/minimind-66caf8d999f5c7fa64f399e5) 下载模型权重后，目录结构示例如下：
-- 启动服务端
-- 测试服务接口
-- API 请求示例（兼容 OpenAI API 格式）
+* [./scripts/serve_openai_api.py](./scripts/serve_openai_api.py) 提供了一个兼容 OpenAI API 的轻量聊天服务，便于将自己的模型接入 FastGPT、OpenWebUI、Dify 等第三方 UI。
+* 当前接口额外支持 `reasoning_content`、`tool_calls`、`open_thinking` 等字段，适合直接用于 Tool Calling / Thinking 场景。
+* 从 [HuggingFace](https://huggingface.co/collections/jingyaogong/minimind-66caf8d999f5c7fa64f399e5) 下载模型权重后，目录结构示例如下：
+ ```
+ minimind (root dir)
+ ├─（例如minimind-3）
+ | ├── config.json
+ | ├── generation_config.json
+ | ├── model_minimind.py (可选，取决于模型导出形式)
+ | ├── pytorch_model.bin or model.safetensors
+ | ├── special_tokens_map.json
+ | ├── tokenizer_config.json
+ | ├── tokenizer.json
+ ```
+* 启动服务端
+ ```bash
+ cd scripts && python serve_openai_api.py
+ ```
+* 测试服务接口
+ ```bash
+ cd scripts && python chat_api.py
+ ```
+* API 请求示例（兼容 OpenAI API 格式）
+ ```bash
+ curl http://localhost:8998/v1/chat/completions \
+ -H "Content-Type: application/json" \
+ -d '{
+ "model": "model-identifier",
+ "messages": [
+ { "role": "user", "content": "世界上最高的山是什么？" }
+ ],
+ "temperature": 0.7,
+ "max_tokens": 1024,
+ "stream": true,
+ "open_thinking": true
+ }'
+ ```
-## [SGLang](https://github.com/sgl-project/sglang)
+## 
[SGLang](https://github.com/sgl-project/sglang)
SGLang 是高性能大模型推理引擎，支持 RadixAttention、连续批处理等优化技术，能够提供较低延迟与较高吞吐。
@@ -1727,9 +1672,7 @@ SGLang 是高性能大模型推理引擎，支持 RadixAttention、连续批处
python -m sglang.launch_server --model-path /path/to/model --attention-backend triton --host 0.0.0.0 --port 8998
```
-
-
-## [vllm](https://github.com/vllm-project/vllm)
+## 
[vllm](https://github.com/vllm-project/vllm)
vLLM 是目前非常常用的高效推理框架，适合快速部署大模型，并在显存利用率与吞吐量之间取得较好平衡。
@@ -1741,9 +1684,7 @@ vLLM 是目前非常常用的高效推理框架，适合快速部署大模型，
vllm serve /path/to/model --model-impl transformers --served-model-name "minimind" --port 8998
```
-
-
-## [llama.cpp](https://github.com/ggerganov/llama.cpp)
+## 
[llama.cpp](https://github.com/ggerganov/llama.cpp)
llama.cpp 是一个轻量且实用的 C++ 推理框架，可直接在命令行中使用，支持多线程推理，也支持部分 GPU 加速方案。
@@ -1792,9 +1733,7 @@ python convert_hf_to_gguf.py /path/to/minimind-model
./build/bin/llama-cli -m /path/to/model/xxxx.gguf
```
-
-
-## [ollama](https://ollama.ai)
+## 
[ollama](https://ollama.ai)
Ollama 是本地运行大模型的常用工具，支持多种开源 LLM，使用方式简洁，部署门槛较低。
@@ -1802,7 +1741,8 @@ Ollama 是本地运行大模型的常用工具，支持多种开源 LLM，使用
在模型目录下新建 `minimind.modelfile` 文件，并写入如下配置模板：
-minimind.modelfile (template)
+
+minimind.modelfile (template)
```text
FROM /path/to/model/xxxx.gguf
@@ -1875,7 +1815,8 @@ PARAMETER top_p 0.9
PARAMETER num_ctx 8192
```
-
+
+
2、加载并命名本地模型
@@ -1890,7 +1831,8 @@ ollama create -f minimind.modelfile minimind-local
ollama run minimind-local
```
-📤 推送你的模型到 Ollama Hub
+
+📤 推送你的模型到 Ollama Hub
```bash
# 1. 为本地模型重命名为你的 `ollama-account/minimind` 的 tag
@@ -1899,9 +1841,8 @@ ollama cp minimind-local:latest your_username/minimind:latest
# 2. 推送模型
ollama push your_username/minimind:latest
```
-
-
-
+
+
⭐️ 也可以直接使用我提供的 Ollama 模型快速启动：
@@ -1911,64 +1852,61 @@ ollama run jingyaogong/minimind-3
我是一个语言模型...
```
-
-
-## [MNN](https://github.com/alibaba/MNN)
+## 
[MNN](https://github.com/alibaba/MNN)
MNN 是面向端侧的 AI 推理引擎，支持多种开源 LLM 的轻量化部署与高性能推理。
1. 模型转换
-
```bash
cd MNN/transformers/llm/export
# 导出 4-bit HQQ 量化的 MNN 模型
python llmexport.py --path /path/to/模型路径/ --export mnn --hqq --dst_path 模型路径-mnn
```
-1. 在 Mac 或手机端测试
-
+2. 在 Mac 或手机端测试
```bash
./llm_demo /path/to/模型路径-mnn/config.json prompt.txt
```
-
或者下载 APP 进行测试
> 以上第三方框架的更多用法请参考对应官方文档😊
-
## 👨💻 更多内容
-- [🔗从MiniMind-LLM微调扩散语言模型](https://github.com/jingyaogong/minimind/discussions/618)
-- [🔗模型的generate方法说明](https://github.com/jingyaogong/minimind/discussions/611)
-- [🔗从 MiniMind 训练线性注意力模型](https://github.com/jingyaogong/minimind/discussions/704)
+* 🔗从MiniMind-LLM微调扩散语言模型
+* 🔗模型的generate方法说明
+* 🔗从 MiniMind 训练线性注意力模型
# 📌 致谢
> [!NOTE]
-> 如果 `MiniMind` 系列项目对您有所帮助，欢迎在 GitHub 上点亮一个 ⭐
->
-> 文档篇幅较长，难免存在疏漏之处，欢迎通过 Issues 交流反馈，或提交 PR 一起改进项目
->
+> 如果 `MiniMind` 系列项目对您有所帮助，欢迎在 GitHub 上点亮一个 ⭐
+> 文档篇幅较长，难免存在疏漏之处，欢迎通过 Issues 交流反馈，或提交 PR 一起改进项目
> 您的支持与建议，都是这个项目持续迭代的重要动力！
-
-
## 🤝[贡献者](https://github.com/jingyaogong/minimind/graphs/contributors)
-
+
+ 
+
## 😊鸣谢
感谢以下贡献者在训练记录、数据处理、教程整理与项目拆解等方面提供的帮助与分享：
-- [@ipfgao](https://github.com/ipfgao)：[🔗训练步骤记录](https://github.com/jingyaogong/minimind/issues/26)
-- [@WangRongsheng](https://github.com/WangRongsheng)：[🔗大型数据集预处理](https://github.com/jingyaogong/minimind/issues/39)
-- [@pengqianhan](https://github.com/pengqianhan)：[🔗一个简明教程](https://github.com/jingyaogong/minimind/issues/73)
-- [@RyanSunn](https://github.com/RyanSunn)：[🔗推理过程学习记录](https://github.com/jingyaogong/minimind/issues/75)
-- [@Nijikadesu](https://github.com/Nijikadesu)：[🔗以交互笔记本方式分解项目代码](https://github.com/jingyaogong/minimind/issues/213)
+* [@ipfgao](https://github.com/ipfgao)：[🔗训练步骤记录](https://github.com/jingyaogong/minimind/issues/26)
+
+* [@WangRongsheng](https://github.com/WangRongsheng)：[🔗大型数据集预处理](https://github.com/jingyaogong/minimind/issues/39)
+
+* [@pengqianhan](https://github.com/pengqianhan)：[🔗一个简明教程](https://github.com/jingyaogong/minimind/issues/73)
+
+* [@RyanSunn](https://github.com/RyanSunn)：[🔗推理过程学习记录](https://github.com/jingyaogong/minimind/issues/75)
+
+* [@Nijikadesu](https://github.com/Nijikadesu)：[🔗以交互笔记本方式分解项目代码](https://github.com/jingyaogong/minimind/issues/213)
+
致谢以下优秀的论文与项目：
@@ -1986,28 +1924,43 @@ python llmexport.py --path /path/to/模型路径/ --export mnn --hqq --dst_path
- [https://github.com/HqWu-HITCS/Awesome-Chinese-LLM](https://github.com/HqWu-HITCS/Awesome-Chinese-LLM)
-
## 🫶支持者
+
+
+
+ 
+
-
-
+
+
+
+ 
+
## 🎉 MiniMind 相关成果
本模型抛砖引玉地促成了一些可喜成果的落地，感谢研究者们的认可：
- ECG-Expert-QA: A Benchmark for Evaluating Medical Large Language Models in Heart Disease Diagnosis [[arxiv](https://arxiv.org/pdf/2502.17475)]
-- Binary-Integer-Programming Based Algorithm for Expert Load Balancing in Mixture-of-Experts Models [[arxiv](https://arxiv.org/pdf/2502.15451)]
-- LegalEval-Q: A New Benchmark for The Quality Evaluation of LLM-Generated Legal Text [[arxiv](https://arxiv.org/pdf/2505.24826)]
-- On the Generalization Ability of Next-Token-Prediction Pretraining [[ICML 2025](https://openreview.net/forum?id=hLGJ1qZPdu)]
-- 《从零开始写大模型：从神经网络到Transformer》王双、牟晨、王昊怡 编著 - 清华大学出版社
-- FedBRB: A Solution to the Small-to-Large Scenario in Device-Heterogeneity Federated Learning [[TMC 2025](https://ieeexplore.ieee.org/abstract/document/11168259)]
-- SKETCH: Semantic Key-Point Conditioning for Long-Horizon Vessel Trajectory Prediction [[arxiv](https://arxiv.org/pdf/2601.18537)]
-- A Built-in Crypto Expert for Artificial Intelligence: How Far is the Horizon? [[IACR ePrint 2026](https://eprint.iacr.org/2026/411.pdf)]
-- RetryTrigger: Intelligent Inference Duplication for Enhancing LLM Resilience to Hardware Transient Faults [[FITEE 2026](https://ieeexplore.ieee.org/abstract/document/11479682)]
-- 进行中...
+- Binary-Integer-Programming Based Algorithm for Expert Load Balancing in Mixture-of-Experts Models [[arxiv](https://arxiv.org/pdf/2502.15451)]
+
+- LegalEval-Q: A New Benchmark for The Quality Evaluation of LLM-Generated Legal Text [[arxiv](https://arxiv.org/pdf/2505.24826)]
+
+- On the Generalization Ability of Next-Token-Prediction Pretraining [[ICML 2025](https://openreview.net/forum?id=hLGJ1qZPdu)]
+
+- 《从零开始写大模型：从神经网络到Transformer》王双、牟晨、王昊怡 编著 - 清华大学出版社
+
+- FedBRB: A Solution to the Small-to-Large Scenario in Device-Heterogeneity Federated Learning [[TMC 2025](https://ieeexplore.ieee.org/abstract/document/11168259)]
+
+- SKETCH: Semantic Key-Point Conditioning for Long-Horizon Vessel Trajectory Prediction [[arxiv](https://arxiv.org/pdf/2601.18537)]
+
+- A Built-in Crypto Expert for Artificial Intelligence: How Far is the Horizon? [[IACR ePrint 2026](https://eprint.iacr.org/2026/411.pdf)]
+
+- RetryTrigger: Intelligent Inference Duplication for Enhancing LLM Resilience to Hardware Transient Faults [[FITEE 2026](https://ieeexplore.ieee.org/abstract/document/11479682)]
+
+- 进行中...
# 🎓 引用
@@ -2024,8 +1977,6 @@ python llmexport.py --path /path/to/模型路径/ --export mnn --hqq --dst_path
}
```
-
-
# ⚖️ 开源协议
-本项目采用 [Apache License 2.0](LICENSE) 开源协议。
\ No newline at end of file
+本项目采用 [Apache License 2.0](LICENSE) 开源协议。
diff --git a/README_en.md b/README_en.md
index 5388cc1..23a7428 100644
--- a/README_en.md
+++ b/README_en.md
@@ -913,17 +913,7 @@ Before introducing the implementation of specific algorithms, let me first descr
The essence of all RL algorithms is just optimizing an expectation:
-$$
-\mathcal{J}_{PO} =
-\mathbb{E}_{q \sim P(Q),\, o \sim \pi(O \mid q)}
-\left[
- \underbrace{f(r_t)}_{\text{policy term}}
- \cdot
- \underbrace{g(A_t)}_{\text{advantage term}}
- -
- \underbrace{h(\text{KL}_t)}_{\text{regularization term}}
-\right]
-$$
+$$\mathcal{J}_{PO} = \mathbb{E}_{q \sim P(Q), o \sim \pi(O|q)} \left[ \underbrace{f(r_t)}_{\text{policy term}} \cdot \underbrace{g(A_t)}_{\text{advantage term}} - \underbrace{h(\text{KL}_t)}_{\text{regularization term}} \right]$$
During training, one only needs to **minimize the negative objective function**, i.e.: $\mathcal{L}_{PO} = -\mathcal{J}_{PO}$
@@ -939,7 +929,7 @@ This framework contains only three core components:
|--------|---------|-------------|-------|
| $q$ | Question/Prompt | Sampled from dataset $P(Q)$ | - |
| $o$ | Model output sequence | Generated by policy $\pi$ | - |
-| $r_t$ | Probability ratio | $r_t(\theta) = \frac{\pi_\theta(o_t \mid q, o_{ 
+ 
+