这个项目最近重新冲上 GitHub 趋势榜，单日新增上千星标。截至目前，MiniMind 已累计收获超过 5.68 万 Star 和 7400 多次 Fork。需要注意的是，它并非横空出世的新项目——仓库创建于 2024 年 7 月，持续迭代超过两年，最近一次提交落在 2026 年 8 月 31 日，采用完全免费的 Apache 2.0 协议开源。

“大道至简”：不是微调，而是从零造一遍

MiniMind 的核心理念写在 README 的开头：”用乐高自己拼出一架飞机，远比坐在头等舱里飞行更让人兴奋。”

与市面上大多数”挂个 LoRA 微调一下”的教程不同，MiniMind 的所有核心算法——Transformer 结构、分词器、训练循环、对齐流程——全部用原生 PyTorch 从零实现，不依赖 transformers、trl、peft 等任何高层框架封装。训练过程中的每一次张量变换、每一处注意力计算都清晰可见。

作者在项目说明中打过一个比方：只会调用现成模型，就像教牛顿使用 21 世纪的智能手机——手机玩得再溜，物理还是没碰着。MiniMind 想解决的就是这个问题：让学习者亲手把”预训练””SFT””RLHF”这些被说烂的名词跑一遍。

“2小时3块钱”的账，官方自己算清楚了

“2 小时、3 元钱”听起来像营销话术，但 README 里给出了实测口径：所谓 2 小时，指的是 SFT（指令微调）阶段在单张 RTX 3090 上跑完 1 个 epoch 的实测耗时，约 1.10 小时；预训练约 1.21 小时，两者合计约 2.31 小时。按 3090 租卡单价约 1.3 元/小时计算，全程约 3 元人民币。

这条最快路线使用 1.2GB 的 mini 版预训练数据和 1.6GB 的 SFT 数据，产出的是一个名为 MiniMind-3 Zero 的对话模型。想训得更充分，也有 10GB/14GB 的完整版数据集可选。

训出来的模型有多大本事？64M 参数，约为 GPT-3 的两千七百分之一。作者自己在 README 里反复强调：它打不过任何商用模型。官方保留的对话样例里，这个模型会一本正经地编造”杭州特色美食是鸡肉串、鳗鱼头”。在中文评测 C-Eval 上它只拿到 24.89 分——几乎贴着四选一瞎蒙的期望线。

但有两组数据值得认真看：其一，数学工具调用任务的 20 道题，SFT 权重答对 12 道，经过 Agentic RL（智能体强化学习）后答对 17 道，正确率从 60% 提升到 85%——一个 64M 的模型学会了”先调计算器再报答案”；其二，强化学习后的权重在开放问答上事实性会下降、幻觉更明显，这就是常说的”对齐税”，作者的坦率记录本身就是很好的学习材料。

技术上怎么做到的

MiniMind 的省钱秘诀从词典开始：主流模型的词表动辄十几万（Qwen2 为 151,643、Llama 3 为 128,000），MiniMind 只配了 6,400 个词元。词典薄，分词就碎，但 embedding 层省下的参数可以匀给真正干活的网络主体。主线模型配置为 8 层 Transformer、隐藏维度 768，结构对齐 Qwen3 生态，训完可直接扔进 ollama、vllm、llama.cpp 等推理框架运行。

训练流水线覆盖了语言模型的完整生命周期：预训练让模型学会”词语接龙”；SFT 让它理解 user、assistant、system、tool 等对话角色；之后的对齐阶段，DPO、PPO、GRPO、CISPO 等强化学习算法全部以原生 PyTorch 从零实现。一个值得注意的细节是，SFT 主线数据里直接混入了约 10 万条由 qwen3-4b 合成的工具调用样本，所以训完的模型天然就会一点 Tool Call。

进阶的 Agentic RL 部分更激进：让模型在多轮工具调用中自己摸索，整条轨迹跑完才结算一次总奖励。大厂强化学习框架里显得最玄的”训推分离””延迟奖励”，在这里被串成了能一口气读完的代码。

评测部分还藏着一个有价值的细节：MiniMind-3 在 C-Eval 存在数据污染的子集上能跑到约 97%，去掉泄漏的题目后只剩 25 分上下。作者据此提醒：下次看到哪个新模型榜单刷得漂亮，先问一句它见过原题没有。

谁适合上手

环境要求很低：Python 3.10 加一张消费级显卡即可。没有大显卡也有变通——训练脚本支持断点续训，LoRA 支路在 CPU 上也能跑；想先看看效果，直接执行 ollama 命令就能体验 64M 模型的”嘴硬”程度。

项目还延伸出一系列子项目：视觉多模态的 MiniMind-V、全模态的 MiniMind-O、扩散语言模型 MiniMind-dLM、线性注意力版本 MiniMind-Linear，以及 198M 参数（激活 64M）的 MoE 版本。ICML 2025 上还有论文被作者列入由该项目促成的成果清单。

客观地说，MiniMind 的价值不在生产力——想直接要生产力的用户继续调 API 更划算。它的价值在于把大模型的”黑盒”打开：当预训练、奖励稀疏、对齐税这些词变成亲手跑过的 loss 曲线，再看各家厂商的发布稿时，眼光会完全不同。

]]>

Anki 是一款免费开源的记忆卡软件，核心是一套间隔重复算法。用户为每张卡片写一个问题和一个答案，复习时给每张卡片标注「难」或「易」，算法据此调整出现频率——容易的卡片少出现，困难的卡片反复出现，把精力集中在还没记住的内容上。它的有效性已被大量使用者验证。

但 Anki 的强大只体现在「复习」这一端，「做卡」这一端却很劝退。一张高质量卡片往往要带图片、音频和富文本，而这一切都得手动搭建。亲手做一套二十来张、带音频和配图的卡片，常常要花掉整整一个下午。许多人因此放弃自制、转而下载别人做好的牌组。

Claude 怎么接管做卡

做法并不复杂：先在 Anki 里安装名为 AnkiConnect 的插件（插件编号 2055492159），它会通过本地接口把 Anki 的功能开放出来，地址是 http://localhost:8765。随后让 Claude 连上这个接口，就能直接增删卡片和牌组。

实操中，更顺手的是用 Claude Code：它本来就在终端里运行，可以直接向本地接口发请求。关键是明确告诉它连接 http://localhost:8765，否则它可能找不到 AnkiConnect 在哪里。

从零生成，几分钟成牌组

最简单的用法是让 Claude Code 从零搭一套牌组。例如学习日语入门词汇，可以要求它做正反双面卡：一面英文、一面日文，并按主题分组——二十个常见名词、二十个动物、二十个物品、二十个地点、二十个数字。它无需复杂提示词就能一口气交付，实测生成了 246 张日语词汇卡，并按人物、地点、动物、物品、数字打上标签。作者累计用这种方式做了三套牌组，共 646 张卡片，覆盖日语、逻辑论证与网络安全。

喂自己的资料，做针对弱点的卡

更进一步的用法是带上自己的学习材料。把 PDF、笔记、甚至带时间戳的 YouTube 视频字幕放进一个文件夹，在文件夹里打开 Claude Code，它就能读到全部内容。接着让它用 20 到 25 个问题考你，摸清你的掌握程度——这一步建议用能力更强的模型（例如 Opus）来充分挖掘。考完之后，它分析你的薄弱环节，并据此生成嵌有图片和文档片段的多媒体记忆卡，精准打击没记住的内容。

来源：How-To Geek

一、别把资料全塞进一个笔记本

Gemini Notebook 会一次性把来源清单里的所有内容合成指南。若把十个互不相关的 PDF 丢进去，它只能求平均，细节全被抹平。免费版单个笔记本最多支持 50 个来源，空间足够，但应按项目拆分：一个单元或一项任务建一个笔记本。生成前，先取消勾选，只保留 2–3 个相关来源，再附带提示：「仅使用已勾选的来源生成对比学习指南，忽略其余来源。」

二、先明确使用对象

默认指南假定读者是普通人，于是写得四平八稳。用一句提示定下身份，比如：「列出掌握本主题必须先答对的 5 个关键问题，并围绕这 5 个问题组织指南。」面向资深研究者还是临时温习，结果差别很大。

三、别把第一版当终稿

一键生成的指南把来源等量齐观，看不出知识盲区。可追加提示：「找出本指南中最复杂的 3 个概念，改写成带隐藏答案的主动回忆卡片。」更进阶的做法是在「工作室」（Studio）面板用「自定义报告」串联多个模板，例如术语表＋应用场景＋练习题，拼成一份完整资料。

四、注意资料的格式

Gemini Notebook 原样读取来源。结构清晰的 Markdown 或关联的 Google 文档，比排版复杂的 PDF 解析更干净；扫描质量差的文档经 OCR 后会出乱码。上传前，先把一段文字粘进记事本，若乱码就换干净版本；生成前点开左侧来源，核对提取出的原始文本预览。

五、核对引用

指南里每句论断都链回来源，这正是它比普通聊天更可信的地方。但多数人不点开核实，于是模型「翻译」时丢失的细微差别就被放过了。可让模型：「提取本指南中最关键的 3 项论断或数字，并逐句引用来源原文证明。」技术或数值类内容尤该抽查。

来源：MakeUseOf