一个人、两周、数百美元，如何训出登顶 Hugging Face 的模型｜42章经

本期节目的嘉宾逯雨鑫是 Mind Lab 的研究员。此前，他以个人开发者的身份，仅花费数百美元，后训练出了两个登顶 Hugging Face Model Trending 榜的模型。

本期播客原文约 15000 字，本文经过删减整理后约 4800 字。

曲凯：今天大多数人还是觉得训模型是一件非常难的事情，不知道有哪些步骤、具体该怎么做。大家印象中，训模型的人一般也都是各种 PhD、researcher 之类的。但雨鑫你其实不是 AI PhD，此前也没有 AI Lab 的训练经验，为什么能训出两个登顶 Hugging Face 开源模型榜首的小模型？

雨鑫：其实要训出能在工业界用起来的模型，路径是很明确的，没有大家想象中那么难。只要自学一些基础，再加上现在各种 AI 工具的加成，很多人都可以做到。

曲凯：你训练这两版模型，大概花了多少时间和钱？

雨鑫：第一版花了 5 天左右，第二版时间长一些，大概两三周，然后总共花了几百美元。硬件上，我就用了一张 5090。现在租一张 5090，每小时可能只要一两美元，真正训练一次也就是十几个小时。即便迭代几版，硬件成本也不会超过 100 美元。软件上，我用了一个 200 美元的 Claude Max Plan，主要用来合成目标领域的数据。

曲凯：最后训练出来的效果怎么样？

雨鑫：我的模型主要针对 agentic 场景，把对应的 benchmark 从底座模型的 15 分提升到了 55 - 60 分左右。

不过，个人或应用公司训练模型，往往需要做一些取舍。在资源有限的情况下，你可以让模型在目标能力上变强，但其他 benchmark 或多或少会下降。

曲凯：我能不能简单理解成，你的做法就是用更强的 teacher model 生成数据，通过 SFT 蒸馏出一个特定领域的小模型，让它在某些任务上比原来的底座更强？

雨鑫：是的。

曲凯：这听起来并不复杂，但为什么这件事还没有大众化？是我们有盲区、其实很多人已经在做，还是确实做的人不多？

雨鑫：确实没有那么多人做，最主要的原因是大家认为它非常复杂。但其实这件事的流程没有那么难，总共可以分成五步。

第一步：明确自己要做什么。

很多个人开发者上来会先追热点，或者盲目刷 benchmark。但更应该从自己的真实需求出发，想明白要提升模型哪方面的能力。我的项目能火起来，就是因为抓住了有真实需求的场景，选定了 coding 和 agentic 这两个方向，所以模型发布后有很多下载和使用。

第二步：选底座模型。

这里要考虑模型架构、语言能力和具体场景。比如我用的是 Gemma 4 12B，当时就遇到了一些问题，比如它的中文能力比较差、有时会说粤语，而且架构没那么主流，训练过程会很麻烦。

我个人体感上，Qwen 是坑相对比较少的开源模型。

第三步：设计数据管线。

我用到的数据大概有三类：一种是合成数据，就是让一个模型扮演用户，另一个模型回答；一种是开源数据，在 Hugging Face、ModelScope 这样的平台上其实有很多；还有一种是自己或其他真实用户的使用轨迹。我自己用到的真实数据，很多是关注我这个模型的用户主动贡献的。

然后我有一个比较大的经验是，合成数据可能没有那么好，它更像靶向药，适合定向解决某个问题。实际训练时，我 60% - 70% 还是用的真实轨迹数据，遇到具体问题时才用合成数据。

举个例子。我训练时会遇到模型过度自信的问题，就是跑 benchmark 时，模型明明没有真的完成任务，却说自己完成了。要解决这个问题，很难从公开或者日常使用数据中找到合适的选择，就得有针对性地去合成。

第四步：决定训练方法。

现在工业界比较流行的有两种做法，一种是 SFT，简单来说就是把 teacher model 的能力蒸馏到小模型里，实际效果取决于数据质量；另一种是 RL，被吹得很神，但我个人觉得效果不如前者。

当然还有很多别的方法，比如 OPD（Off-Policy Distillation）。但我感觉 RL 和 OPD 的成本都比较高，更适合锦上添花。对很多应用公司和个人来说，SFT 配上好的数据，就已经能完成很多工业场景里的目标了。我自己也是只选择了 SFT 去训练。

第五步：用特定的 benchmark 测试效果并迭代。一版训练出来的效果不好，就从错题和失败轨迹里找原因，调整数据，再训练下一版。

这整套流程并不复杂。过程中需要的训练脚本、数据、benchmark 和环境等，基本都有开源或第三方服务的解决方案。你可以去找合适的方案，把代码拉下来，再借助 agent 改成适合自己模型的版本。实际训练也很快，几个小时就能跑一版。

其中最大的、甚至唯一的难点和卡点就是数据。我自己 95% 的时间都花在这一环。

曲凯：具体难在哪？

雨鑫：难在你得看懂数据出了什么问题，以及该用什么数据去改变它。

拿合成数据来说，现在的模型还不能稳定地合成高质量数据，需要大量人工审核。我做 V2 时花了更多时间，主要就是因为要审数据。假设合成了 5000 条数据，我可能要自己抽查 500 条，然后告诉模型有什么问题，让它重新生成，再继续检查。

曲凯：那你总共用了多少条数据？

雨鑫：我总共整理了接近一万条数据，清洗、筛选之后，用于训练的有几千条。对特定领域的小模型来说，这个量就已经可以产生明显效果了。

曲凯：我们之前和人交流时，经常听人讲，你没办法预先评估数据的效果，都得拿去训练，再回头改。你的经验是怎样的？

雨鑫：这件事确实没什么捷径，只能不断测试和迭代。而且一版没有达到预期非常正常，继续做就好了。

如果你看数据就知道它有问题，那这版训练大概率也不对。

而且即使你和 AI 都检查过，自己抽样也觉得很好，训练出来仍然可能有问题。这背后的一个重要原因是 capacity gap，也就是 teacher model 太强、学生太弱。比如你要把一个 3T 的模型蒸进一个 12B 小模型，很多能力小模型根本学不来。

曲凯：那怎么评估蒸馏的好坏？从工业级角度看，是不是怎么有效、怎么成本低就怎么来？那最基础、最简单的所谓「硬蒸」，是不是反而最好？

雨鑫：评估数据和蒸馏的标准是一样的，就是看你的操作和目标是不是对齐的。

举个例子，假设你想提升模型的安全边界，却只围绕 benchmark 做数据，那即使分数涨了，也不算好的蒸馏。相反，只要你知道自己想做什么，最后也真的把模型的分布往那个方向拉了，即使其他 benchmark 掉分，也是好的蒸馏。

曲凯：明白。那一家公司自己训练一个小模型，大概要多少钱？

雨鑫：几千到一万元人民币以内，就能训练出一个比较符合需求的小模型。如果要训练大一点的模型，卡量就得跟上，可能需要十几万到二十万元。

不过这里说的只是训练成本。真正部署给用户调用是 serving 端的事，里面还有很多坑，需要考虑 infra 架构、并发量和硬件等问题。如果只是几路或十几路并发，我估计一个小模型加一台 H200 就够了。

曲凯：那你觉得未来训练模型会不会变成中大型公司的标配，就像互联网时代都要做前后端一样？

雨鑫：我觉得会。中大型公司配一个三四人的小团队就行，成本主要就是这几个人的工资以及显卡。

小公司如果暂时没预算，可以先找 AI Lab 或第三方服务商合作。等自己的应用真正起来，有了几百万、几千万用户，再组建内部 AI 团队。

不过，我觉得自己训练模型的成本还会继续下降。现在显卡和内存价格还在高点，部分原因是供应没有跟上 AI 的需求。但随着供应跟上，显卡可能像早期的手机流量一样，一开始很贵，后来越来越便宜，最终甚至成为不限量的基础设施。

曲凯：既然每个环节都有第三方或开源方案，为什么还没有人把它们整合成一套完整的 pipeline，让普通人不用学习每个环节，也能训练出自己的小模型？

雨鑫：训模型可能确实会逐渐商品化，你说的也是很多公司都想做的事。其实海外也已经有 Unsloth 这样的公司。包括 Hugging Face 上的 Jobs 平台，也在做这件事。

目前这种服务的价格还不算便宜，infra 和 serving 也有不少问题。而且即便有这样的方案，数据仍然是最重要的一环。训练脚本可以标准化，但理解业务、发现模型的问题、知道该造什么数据，还是需要人来做。

曲凯：那未来 AI 应用公司和模型公司之间的关系会怎么变化？

雨鑫：我觉得 AI Lab 的数量会减少，但少数头部 AI Lab 仍会成为赢家，并掌握很高的价值。一方面，pre-training 依然得有 AI Lab 来做，因为这件事非常吃资源，应用公司未必能搞定。另一方面，很多早期应用公司得先把产品跑起来，再组建团队训练模型。那在此之前，这些公司还是要找 AI Lab 提供服务。

曲凯：你描述的好像还是当下的状态？但如果按照我们刚刚的推理，未来会有很成熟的训练模型的解决方案，应用公司训练模型的门槛可能会比你刚刚讲的低很多？

以及我自己的感觉是，现在 AI Lab 在明确追求更高 level 的事情，比如解决诺贝尔级别的科学问题、AI4S 或具身等问题，或者解锁一些我们现在没想到的场景。而对于很多日常场景来说，也许大家基于开源模型做一个内部模型，就够用了。

所以最近美国红杉也在讲，AI 应用公司未来反而会变成 Neo Lab。

雨鑫：是。至少后训练很可能逐渐被应用公司接管，因为应用公司离用户更近，拥有最真实的数据，也不愿意把自己的核心数据交给别人。那么行业里领先的应用公司，确实可能会长成 Neo Lab 的样子。而且其中的中大型公司，甚至也可能向更小的公司提供 API 或 token plan。

曲凯：这很像推荐算法时代发生过的事情。字节这样的公司是先有应用、场景、商业闭环和用户数据，才有了更好的推荐算法。你很难找到一家第三方公司，说我只做推荐算法。

这也解释了为什么 AI Lab 愿意花很多钱买数据。现在很多人可能还没有意识到数据的价值，就像移动互联网早期，大家不理解为什么公司要花很高的成本买用户，后来才发现越早获取，成本反而越低。

雨鑫：对。AI Lab 买数据，其实就是想知道用户会提出什么问题、AI 在真实场景里怎样完成任务。所以有些公司让用户免费体验新模型，一方面是为了宣传，另一方面也是为了收集真实使用数据，用来迭代下一代模型。

曲凯：是。然后过去一段时间一直有个论调，觉得模型好像会吃掉一切，应用公司的价值很低。前几周，我们录了一期复盘 AI 应用的节目（回顾：），当时我也比较悲观。

但最近聊下来，我反而觉得 AI Lab 和应用公司的价值都在上升。未来某个时间点，模型的价值可能会逐渐向应用公司让渡。

最后我们再聊聊 Local AI 吧。你觉得这会是一个 PC 级别的机会吗？因为计算机刚出现时，一台机器可能要占满整个房间，后来变成每个人都有一台 PC。AI 会不会也从全球只有几家大模型公司，走向每个人都有一个运行在电脑、手机或其他端侧设备上的模型？

雨鑫：我觉得一定会，而且已经在往这个方向发展。

一个非常重要的驱动力就是数据安全。你在调用上游 API 时，数据一定要流经服务提供方。所以对数据敏感的个人和公司会越来越倾向于 Local AI。这里也提醒大家，一些来路不明的中转站价格看起来很便宜，但存在很大的数据泄露风险。

这可能也是为什么千问一直在发布小模型。随着芯片和统一内存继续升级，本地能运行的模型会越来越大，能力也会越来越强，未来很多人都会有自己的本地模型。

陈皮：抱歉我插个问题。我是陈皮，在42章经做内容。我想问，用户最终会不会还是会追求 SOTA？假设 OpenAI、Anthropic 一直在发布最前沿的模型，即使本地模型已经足够完成日常工作，人们真的愿意使用一个离 SOTA 还有差距的模型吗？

雨鑫：这确实是 Local AI 现在最现实的问题。我自己的 Local AI 使用率也不算高，因为它确实还会犯错，能力没有最前沿的模型强。

但 Local AI 的优势有三点：

一是前面提到的，很多人对数据隐私的需求确实很强烈；

二是在一些领域，比如网络安全、生物领域，SOTA 模型会有拒答的问题，所以即使本地模型不是 SOTA，一些用户还是愿意使用，或者说不得不使用；

三是本地模型更便宜。举个例子，我很喜欢武侠小说，会想用 AI 续写或者改编，但这种任务的 token 消耗特别大。如果全部调用 API，成本可能非常高，而用 Local AI 就不太需要额外支付 API 成本，很划算。

曲凯：我补充一个思考角度，就是对用户来说，到底什么算是 SOTA？今天模型能力已经足够解决很多问题了，那继续追求更好的模型，从性价比上未必一直 make sense。就像很多人觉得 4G 已经够用，不一定非要 5G、6G。

雨鑫：不过很多人确实会盲目追求最强的智能，不管自己是否真的需要。

曲凯：但我觉得，最后可能还是豆包这样的产品用户更多。真正关心模型极致能力的人还是少数，大多数用户更关注产品用起来方不方便、性价比是不是足够高。而且 Local AI 未来也未必需要人主动选择，而是会直接被应用公司和硬件公司做进产品里。

最后，在训练模型这块，雨鑫还有什么想补充的吗？

雨鑫：有三个建议。

一是，如果个人或应用公司对训练模型感兴趣，最好的开始时机可能就是现在。因为如果有一天，模型厂商不再开源好的小模型，将会对应用公司造成很大的打击。所以对有预算的中大型应用公司来说，现在就开始基于优秀开源模型做后训练、持续迭代，是更稳妥的选择。

二是，虽然可以借助 AI，但不要过度相信 AI。遇到问题要及时查真实资料，或者看开源社区里已经成功的案例。

最后，别太快放弃。自己训模型的流程里，每个环节都会遇到坑，这非常正常，一版一版迭代就好。

【活动预告】

9 月 12 日，我们会请到雨鑫做一场线上活动，感兴趣的朋友欢迎点击链接或扫描下面的二维码，一起来认识&交流！

42章经

思考事物本质