大家好! 上周我们分享MiniMind的介绍：

仅用3元成本2小时即可训练出仅为25.8M的超小语言模型库

MiniMind这个开源仓库很适合学习，也有小伙伴私信要求讲一下这个开源项目的架构设计，今天分享给大家.

🔥项目信息

项目名称：MiniMind (极简语言模型)

GitHub 链接：https://github.com/jingyaogong/minimind

社区认可度：⭐39.4k+Star

🚀架构设计

MiniMind 是一款极致轻量化的大语言模型（LLM），核心分为 Dense（稠密） 和 MoE（混合专家） 两大架构分支，整体基于 Transformer Decoder-Only 结构，同时针对轻量化场景做了针对性优化，以下是其核心架构设计细节：

MiniMind整体目录结构：

MiniMind文件详细说明：

minimind/
├── LICENSE                    # Apache 2.0 开源协议文件，定义使用/分发/修改的法律规则
├── README.md                  # 中文核心文档：项目介绍、快速开始、训练流程、数据集说明等
├── README_en.md               # 英文核心文档：面向国际用户的项目说明、数据集/训练细节
├── .gitignore                 # Git 忽略规则：排除缓存、训练输出、编译文件等无需版本控制的内容
├── requirements.txt           # 项目依赖清单：PyTorch、transformers、streamlit 等第三方库版本
├── eval_llm.py                # 模型评测脚本：支持 C-Eval/C-MMLU 等榜单，验证模型性能
├── model/                     # 模型核心定义目录
├── dataset/                   # 数据集目录：存放训练/微调所需各类数据
├── trainer/                   # 训练脚本核心目录（所有训练需 cd 至此执行）
├── scripts/                   # 辅助脚本目录
├── images/                    # 可视化资源目录
│   ├── LLM-structure.png      # Dense 版模型结构可视化图
│   ├── LLM-structure-moe.png  # MoE 版模型结构可视化图
│   ├── dataset.jpg            # 数据集构成/量级/使用方案可视化图
│   ├── compare_radar.png      # 模型性能对比雷达图
│   ├── logo.png/logo2.png     # 项目 Logo 图片
│   └── minimind2.gif          # 对话效果动态演示图
└── out/                       # 训练输出目录（自动生成）
└── *.pth                  # 训练权重文件：每隔 100 步保存，覆盖旧文件（.gitignore 排除）

trainer/（训练脚本目录）：

model/（模型核心定义目录）：

dataset(数据集结构)：

一、整体架构基础

MiniMind核心沿用TransformerDecoder-Only架构（与Llama3.1一致），并在GPT-3基础上做了关键改进，核心差异点：

二、两大核心架构分支

1. MiniMind-Dense（稠密模型）

核心特点：无专家机制，所有层参数全局共享，结构极简，适合轻量化部署。

代码入口：模型配置可修改 ./model/LMConfig.py（核心结构定义在 ./model/model_minimind.py）。

2. MiniMind-MoE（混合专家模型）

核心基础：基于 Llama3 + DeepSeek-V2/3 的 MixFFN 混合专家模块，针对前馈网络（FFN）做精细化设计。

关键优化：

采用更细粒度的专家分割策略，提升专家利用率；

引入「共享专家隔离技术」，避免共享专家成为性能瓶颈；

考虑 MoE 负载均衡 Loss，优化专家分配效率。

三、核心模块设计细节

四、架构设计的核心目标

• 极致轻量化：最小版本仅 26M 参数量（GPT-3 的 1/7000），普通个人 GPU（如 3090）可 2 小时完成训练，成本仅 3 元；
• 全流程可复现：核心算法（预训练 / SFT/LoRA/DPO/ 蒸馏）基于 PyTorch 原生重构，无第三方抽象接口依赖；
• 易拓展性：已拓展至视觉多模态（MiniMind-V），且支持私有数据集迁移（如医疗、法律等垂直领域）。

五、架构可视化

MiniMind的整体结构一致，只是在RoPE计算、推理函数和FFN层的代码上做了一些小调整。 其结构如下图：

稠密模型结构:

MoE 模型结构:

总结

MiniMind架构的核心是「极简+适配」：以经典TransformerDecoder-Only为基底，通过RMSNorm、SwiGLU、RoPE等技术优化基础性能，同时拆分Dense/MoE分支适配不同轻量化场景，最终实现「极低成本、全流程可复现、易拓展」的小模型设计目标。

🚀MiniMind的优势

• 超轻量化设计
• 最小版本模型仅 25.8MB，约为 GPT-3 的 1/7000。
• 普通个人 GPU（如 NVIDIA RTX 3090）即可训练，大大降低硬件门槛。
• 开源完整训练流程
• 提供从数据清洗、预训练到监督微调、LoRA 微调、偏好强化学习（DPO）、模型蒸馏等所有步骤的完整代码。
• 全部代码基于 PyTorch 原生框架重构，无第三方抽象接口依赖，便于开发者理解和修改。
• 支持多模态任务
• 不仅能处理文本，还能通过 MiniMind-V 扩展支持图像理解等多模态任务。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2026 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2026 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！