论老黄卖铲子的技术含量。
2019 年 2 月，OpenAI 发布了 GPT-2，因为在文本生成上的优异表现，以及对于预训练 Transformer 架构的充分运用，被认为是如今大预言模型的「始祖」。
五年后的今天，训练 GPT-2 这样 15 亿参数的大模型，只需要花费 672 美元，在一个 8XH100 的 GPU 节点上跑 24 个小时就可以搞定了。
本周四，前特斯拉 Autopilot 负责人、OpenAI 科学家 Andrej Karpathy 在他纯 C 语言复现 GPT-2 大模型的项目「llm.c」的最新进展中分享了他的训练心得：
令人难以置信的是，由于计算硬件（英伟达 H100 GPU）、软件（CUDA、cuBLAS、cuDNN、FlashAttention 等）和数据质量（例如 FineWeb-Edu 数据集）的改进，过去 5 年间，大语言模型的训练成本大幅下降。Karpathy 表示，对于此次实践，算法遵循 GPT-2/3 论文基本保持原样不变。
当年 OpenAI 训练 GPT-2 花费了多少钱？这是个至今仍然未知的数字。Karpathy 粗略地估算认为是这回成本的 100 倍，大概要到 10 万美元的量级。
基本相同的任务，运行效率却有天壤之别，这体现了近几年来 AI 领域和算力基础设施的飞速发展。
由于 llm.c 是在 C/CUDA 中 GPT 训练的直接实现，因此要求其实很少 —— 不需要 conda 环境、Python 解释器、pip 安装等。如果你也要尝试，可以启动云 GPU 节点（例如在 Lambda 上），可选择安装 NVIDIA cuDNN、NCCL/MPI，下载 .bin 数据分片，编译并运行，几分钟后即可开始。
然后，你就可以等待 24 小时，然后欣赏通用大语言模型的能力了。
「对于 llm.c 项目来说，这是一个非常好的节点。因为整个项目都是从我考虑为教育视频重现 GPT-2 开始的。我遇到一些 PyTorch 的东西时卡住了，然后愤怒地退出，再用 C/CUDA 从头开始编写整个项目，」Karpathy 表示。「这让我踏上了比预想更长的旅程。但它非常有趣，我学到了更多的 CUDA，一路上结交了朋友，现在的 llm.c 真的很棒。它有大约 5000 行代码，编译和步骤非常快，几乎不需要等待。它具有恒定的内存占用，它以混合精度进行训练，使用 NNCL 分布在多节点上。它是按位确定性的，并且徘徊在 MFU 的 50% 左右。所以它很 ok。」
对于 llm.c 项目而言，越做似乎挖得坑越大。Andrej Karpathy 对目前的运行结果仍然不是 100% 满意 —— 他认为评估应该更好，训练应该更稳定，尤其是在较长时间运行的较大模型尺寸下。
他还预告了一些有趣的新方向：fp8（即将推出）、推理、微调、多模态（VQVAE 等）、更现代的架构（Llama/Gemma）。llm.c 的目标仍然是为功能齐全的 LLM 智能体提供简单、最小、干净的训练堆栈，直接使用 C/CUDA，并包含配套的教育材料，可以让许多初学者快速了解这个令人敬畏的领域。
说完了这么多，该看看 24 小时训练 GPT-2 的成果了：Karpathy 使用更长的 400B token GPT-2 运行（从 33B token 增加），效果良好，直到 330B（达到 61% HellaSwag，远高于这个大小的 GPT-2 和 GPT-3），然后在这个图之后不久爆炸了。目前作者还在继续进行研究。
接下来看详细项目介绍。
GitHub 地址：https://github.com/karpathy/llm.c/discussions/677
训练。使用 llm.c 训练 GPT-2 非常简单，因为它是用 C/CUDA 编写的，因此不需要 minconda、Python、PyTorch 等。你只需一个 8XH100 GPU box，Karpathy 建议从 Lambda Labs 购买一个。
不过 llm.c 在计算上很灵活，如果你只有 1 个 GPU，仍然可以训得 GPT-2，这时你需要等待 8 天而不是 1 天。如果你有 16 个 GPU（例如使用新的 Lambda 1 Click Clusters），则能够训练多节点，这时只需等待 12 小时。启动节点后，以下是训练 GPT-2 的完整说明：
# install cudnn so we can use FlashAttention and run fast (optional) # https://developer.nvidia.com/cudnn-downloads # for me, CUDA 12 (run `nvcc --version`) running on Linux x86_64 Ubuntu 22.04 wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-keyring_1.1-1_all.deb sudo dpkg -i cuda-keyring_1.1-1_all.deb sudo apt-get update sudo apt-get -y install libcudnn9-dev-cuda-12 # "install" cudnn-frontend to ~/ git clone https://github.com/NVIDIA/cudnn-frontend.git # install MPI (optional, if you intend to use multiple GPUs) # (you might also have to install NVIDIA NCCL if it doesn't come with your setup) sudo apt -y install openmpi-bin openmpi-doc libopenmpi-dev # download and enter llm.c repo git clone https://github.com/karpathy/llm.c.gitcd llm.c # download the "starter pack" (~1GB download) # contains GPT2-124M weights (used in tests), tokenizer, eval data .bin s ./dev/download_starter_pack.sh # download the training dataset (FineWeb-Edu 100B token) .bin data shards # note: this is a total of 1001 data shards. If you only want to test things # out and don't want to do an actual run, feel free to append the number of # training shards to download (e.g. for just 10 shards: ./edu_fineweb.sh 10) # the full dataset is ~200GB, we can store it here in dev/data directory. cd dev/data ./edu_fineweb.sh # compile (~1 min 1st time for cuDNN mostly, few sec from then on) cd ../../ make train_gpt2cu USE_CUDNN=1 # and train! (wait 24 hours here) mpirun -np 8 ./train_gpt2cu \ -i "dev/data/edu_fineweb100B/edu_fineweb_train_*.bin" \ -j "dev/data/edu_fineweb100B/edu_fineweb_val_*.bin" \ -o "log_gpt2_1558M" \ -v 250 -s 300000 -g 384 \ -h 1 \ -b 16 -t 1024 \ -d 1048576 \ -r 0 \ -z 1 \ -c 0.1 \ -k "cosine" \ -l 0.0006 \ -q 0.1 \ -u 700 \ -n 2000 \ -x 32000 \ -ge 1 \ -y 1 \ -e "d48"
开始优化：
num_parameters: 1557686400 => bytes: 3115372800 allocated 2971 MiB for model parameters batch_size B=16 * seq_len T=1024 * num_processes=8 and total_batch_size=1048576 => setting grad_accum_steps=8 created directory: log_gpt2_1558M allocating 40409 MiB for activations val loss 11.129390 allocating 2971 MiB for parameter gradients allocating 742 MiB for AdamW optimizer state m allocating 742 MiB for AdamW optimizer state v allocating 742 MiB for master copy of params step 1/32000 | loss 11.133732 (+nanz)| norm 52.9732 (+nanz)| lr 8.57e-07 | 3056.36 ms | 42.6% bf16 MFU | 343080 tok/s step 2/32000 | loss 10.539388 (+nanz)| norm 43.5996 (+nanz)| lr 1.71e-06 | 2747.19 ms | 47.4% bf16 MFU | 381690 tok/s step 3/32000 | loss 9.894109 (+nanz)| norm 23.2229 (+nanz)| lr 2.57e-06 | 2753.25 ms | 47.3% bf16 MFU | 381259 tok/s step 4/32000 | loss 9.566241 (+nanz)| norm 28.4920 (+nanz)| lr 3.43e-06 | 2741.47 ms | 47.5% bf16 MFU | 381690 tok/s step 5/32000 | loss 9.482848 (+nanz)| norm 23.7817 (+nanz)| lr 4.29e-06 | 2752.07 ms | 47.3% bf16 MFU | 381507 tok/s step 6/32000 | loss 9.332832 (+nanz)| norm 15.9113 (+nanz)| lr 5.14e-06 | 2751.01 ms | 47.3% bf16 MFU | 381431 tok/s step 7/32000 | loss 9.165650 (+nanz)| norm 10.5941 (+nanz)| lr 6.00e-06 | 2753.03 ms | 47.3% bf16 MFU | 381327 tok/s step 8/32000 | loss 9.132234 (+nanz)| norm 16.2733 (+nanz)| lr 6.86e-06 | 2748.91 ms | 47.3% bf16 MFU | 381348 tok/s step 9/32000 | loss 9.097384 (+nanz)| norm 12.1342 (+nanz)| lr 7.71e-06 | 2748.73 ms | 47.3% bf16 MFU | 381367 tok/s step 10/32000 | loss 9.072879 (+nanz)| norm 10.5923 (+nanz)| lr 8.57e-06 | 2749.40 ms | 47.3% bf16 MFU | 381369 tok/s ...
每一步大约需要 2.75 秒，共有 32000 步，所以现在我们等待 24 小时左右。在每一步中，训练运行都会占用约 100 万个 FineWeb-EDU token（这些来自互联网的教育网页），并更新模型的 15.58 亿个权重，使其能够更好地预测序列中的下一个 token。最后将总共处理 32000 * 1048576 = 33.6B 个 token。随着更好地预测下一个 token，损失会下降。范数将稳定在 0.1-1 左右，学习率在前面几步预热。模型 flops 利用率 (MFU) 约为 50%，非常高效。
等待 24 小时后，就可以使用 dev/vislog.ipynb jupyter 笔记本可视化 main.log 日志文件。为此，你还需要安装 Python 和 matplotlib。
参数指南。OpenAI 发布的 GPT-2 包含模型权重，但细节很少；而 GPT-3 版本没有权重，但细节很多。因此，在许多情况下，我们遵循 GPT-3 论文超参数，因为 GPT-2 论文的信息非常少。具体参见原项目。
内存指南。大多数人可能面临的最大限制是他们的 GPU 没有 80GB。没关系，你仍然可以运行上面的所有内容，只是运行速度会更慢。因此如果模型不适配，你会怎么做？最重要的是微批大小 – b。尝试减小它，但将其保持在合适的数字，例如 16 → 8 → 4 → 2 → 1。从那里开始，尝试使用重计算设置 -r，即 0（最快且有大量内存）、1（稍微慢一点，但节省大量内存）或 2（稍微慢一点，节省较少内存）。
你可以做的下一件事是禁用 fp32 中的主权重，可以使用 – w 0 （默认值 1）来执行此操作。我们不会维护 fp32 参数副本。根据经验，在之前的几次运行中，这似乎没问题，可能是因为使用了随机舍入。如果还不适合，则可以尝试使用 -t 来减少最大序列长度，默认值为 1024，你可以将其降低到 512、256 等。但现在你会让模型变得更糟，因为它的最大注意力跨度正在减少。
代码。Karpathy 对 llm.c 略有偏爱，认为它非常漂亮：
它只需要基本的 CUDA 依赖项即可运行。
它是 C/CUDA 中直接、最小且易读的实现。llm.c 共有约 5,000 行 C/CUDA 代码。这里尝试主要使用 C，而不是 C++，以保持简单。神经网络训练只是对单个浮点数组进行相同的简单算术运算（如 +、-、、/）的一个 while 循环，它实际上不应该那么复杂。
它编译和运行非常快（几秒钟），因此可以进行更多步进和更短等待。
它在开始时一次性分配其所有 GPU 内存，从那时起在训练期间具有完全恒定的内存占用。因此，一旦开始步进，就可以在剩余的运行中表现良好并且不会内存用完（OOM）。
它是按位（bitwise）确定的。
它非常高效，略低于～50% 的 MFU。
主要入口点和大部分代码位于文件 train_gpt2.cu 中。它包含 GPT-2 模型定义和约 2,000 LOC 的训练 loop，并从 llmc 目录导入了一堆带有各种实用程序和各个层实现的辅助文件。最后 cloc llmc 报告了 23 个文件、3170 LOC，而 cloc train_gpt2.cu 目前是 1353 LOC。
多节点训练。如果你拥有大量 GPU，并且 llm.c 支持多节点训练，则不用考虑太多了。Karpathy 见过训练 llm.c 时最多使用了约 500 个 GPU，他自己迄今为止进行的最大规模运行是在 Lambda 的全新一键集群功能上进行的，在 2 个节点中共使用了 16XH100 GPU。
同时 lambda 团队提供了有关如何在其一键集群上训练 llm.c 模型的详细说明。例如使用 512-GPU H100 集群，每小时花费 2,300 美元，你或许能够在约 30 分钟内训练 GPT-2。你必须增加总批量大小（例如增加至约 8M），或许还得微调超参数。Karpathy 还没有尝试过，但它可能有效，而且会非常酷。
与 PyTorch 比较。Karpathy 认为在 PyTorch 中相当的运行看起来像这样，使用并行 PyTorch 实现：
torchrun --standalone --nproc_per_node=8 train_gpt2.py \ --input_bin "dev/data/edu_fineweb100B/edu_fineweb_train_*.bin" \ --input_val_bin "dev/data/edu_fineweb100B/edu_fineweb_val_*.bin" \ --write_tensors 0 \ --model d48 \ --batch_size 8 --sequence_length 1024 --total_batch_size 1048576 \ --dtype bfloat16 \ --compile 1 \ --tensorcores 1 \ --flash 1 \ --num_iterations 32000 \ --warmup_iters 700 \ --weight_decay 0.1 \ --overfit_single_batch 0 \ --learning_rate 0.0006 \ --zero_stage 1
PyTorch 代码仅供测试参考，而非实际实现，因此训练 loop 在某些地方会略有不同（例如数据加载器不会对分片进行置换等），但这仍可能作为参考点有用。这里还将默认词汇大小修改为 50257 → 50304 以提高效率，然后当前的 PyTorch 夜间给出：
step 16/32000 | train loss 8.903997 | norm 8.3474 | lr 1.37e-05 | (3381.88 ms | 310057 tok/s) step 17/32000 | train loss 8.870140 | norm 3.7936 | lr 1.46e-05 | (3381.95 ms | 310051 tok/s) step 18/32000 | train loss 8.875732 | norm 9.4993 | lr 1.54e-05 | (3393.09 ms | 309033 tok/s) step 19/32000 | train loss 8.817432 | norm 2.8345 | lr 1.63e-05 | (3379.75 ms | 310253 tok/s) step 20/32000 | train loss 8.798056 | norm 4.1234 | lr 1.71e-05 | (3386.53 ms | 309631 tok/s) step 21/32000 | train loss 8.777574 | norm 2.8010 | lr 1.80e-05 | (3386.05 ms | 309675 tok/s) ...
现在不能说完全有信心 PyTorch 脚本已得到最大程度的调整，但可以得到以下观察结果。
PyTorch 似乎占用了更多内存（此次运行约为 80GB），而 llm.c 占用了 57GB（减少了 29%）。内存很重要，因为它允许增加批处理大小（例如 llm.c 在此处最多可以增加到 24 个微批处理），这样速度会更快一些。
其次，每次迭代大约为 3386 毫秒，而非 2750 毫秒，因此 llm.c 的速度提高了约 19%。这里的一些收益是已知的，例如 llm.c 包括启动反向传递的融合分类器等优化，这是 torch.compile 目前无法做到的。
但是也可能存在一种情况，这个脚本没有完全进行最大程度的调整。这里不做赘述。
最终模型。以下几个链接可能对其他人有帮助：
main.log 文件（http://llmc.s3-us-west-2.amazonaws.com/gpt2_1558M/main.log）
model_00032000.bin llm.c bin 模型文件（http://llmc.s3-us-west-2.amazonaws.com/gpt2_1558M/model_00032000.bin）
转换为 huggingface transformers GPT-2 模型（https://huggingface.co/karpathy/gpt2_1558M_final2_hf）
模型导出。模型导出可以按如下方式进行：
python dev/eval/export_hf.py --input log_gpt2_128M/model_00032000.bin --output gpt2_1558M_export
然后就可以运行 Eleuther 评估工具，或者运行 huggingface 采样 pipeline 来获取模型样本：
# take model for spin
import torch
output = "./gpt2_1558M_final2_hf"
# set pytorch seeds
torch.manual_seed(42)torch.cuda.manual_seed(42)
prompt = "In a shocking finding, scientist discovered a herd of unicorns living in a remote, previously unexplored valley, in the Andes Mountains. Even more surprising to the researchers was the fact that the unicorns spoke perfect English."
from transformers import AutoModelForCausalLM, AutoTokenizer
tokenizer = AutoTokenizer.from_pretrained(output)model = AutoModelForCausalLM.from_pretrained(output, attn_implementation="flash_attention_2", torch_dtype=torch.bfloat16, device_map='cuda')model.eval()tokens = tokenizer.encode(prompt, return_tensors="pt")tokens = tokens.to('cuda')
output = model.generate(tokens, max_new_tokens=500, pad_token_id=tokenizer.eos_token_id, do_sample=True, top_k=50, num_return_sequences=4)samples = tokenizer.batch_decode(output)for sample in samples:
print('-'*30)
print(sample)
你还可以查看 dev/eval，以获取有关如何运行 Eleuther Evaluation Harness、以及 HuggingFace Open LLM 排行榜评估等说明。
400B token 运行。Karpathy 还尝试将训练 GPT-2 的时间远超过 33B token，特别是将 -x 更改为 400,000 以训练 420B token（甚至比使用 300B token 训练的 GPT-3 还要多）。这个模型运行看起来很棒，直到大约 330,000 步：
最终，模型在 HellaSwag 上大大超越了同等大小的 GPT-2 和 GPT-3（最高可达约 61%），但遗憾的是，从那时起它就变得不稳定了。在此过程中，还有更多较小的峰值，但代码配置为检测更简单的瞬时不稳定性并跳过更新（Karpathy 使用了标志 sl 5.0 -sg 5.0），这有助于缓解和推迟问题。但是，他认为对初始化、激活范围和整体模型训练稳定性还不够谨慎，并存在更深层次问题，这些问题会逐渐使模型陷入不稳定状态，较大模型和长时间训练更是如此。
参考内容：
https://x.com/karpathy/status/1811467135279104217