大模型训练的成本在哪里：从一台 32GB Mac 说起

Fri, 23 Oct 2026 00:00:00 +0800

我有 Python 基础，但还没有系统学过深度学习。最近看 Happy-LLM，准备从 PyTorch 开始，逐步弄懂模型结构和训练过程。

最初的问题很实际：手上的 M1 Pro、32GB 内存，够不够用？继续往下看，又产生了另一个疑问：模型文件不过几 GB、十几 GB，为什么训练时会需要那么多显存，还要连续运行很多小时？

这两个问题连在一起，才能把“训练成本”说清楚。参数量决定了需要处理多大的模型，训练方法决定了要保存什么，而数据量和实验次数决定了这些工作要重复多久。

下面是我在开始动手前整理的一笔资源账。硬件配置已经检查过；文中的容量计算有明确假设，尚未做完整的大模型训练测速。

一次训练，比一次预测多做了什么

先看一个只有两个参数的模型：

`1`	`预测值 = w × x + b`

x 是这次输入的数据，w 和 b 是模型内部可以调整的参数。假如希望模型从样本中学会 y = 2x + 1，训练就需要让这两个数逐步接近 2 和 1。

一次普通预测，只需要把输入代入当前公式。一次训练更新，则要经历更多步骤：

读取一批样本
    ↓
用当前参数计算预测值
    ↓
对照目标，计算 loss
    ↓
反向传播，计算参数的梯度
    ↓
优化器更新参数，再处理下一批样本

loss 用来衡量预测与目标的差距，梯度提供调整参数的方向信息，优化器负责执行更新。PyTorch 的训练循环就是在组织这些步骤。PyTorch 参数优化教程

两个参数的计算很轻。换成数十亿参数的网络，同样的流程会涉及大量矩阵运算和数据搬运，而且需要在许多批数据上反复执行。训练最终保存下来的是参数，但获得这些参数的过程远比读取一次文件复杂。

模型文件大小，只是内存账的一部分

模型名称里的 7B，通常表示约 70 亿个参数。先做一个只计算权重的估算：

`1`	`权重占用 ≈ 参数数量 × 每个参数的存储字节数`

如果所有参数都用 16-bit，也就是 2 字节保存，70 亿个参数大约需要 14GB。假设全部用 4-bit 保存，纯参数位数对应约 3.5GB；实际量化文件还包含缩放系数、元数据，以及可能保留更高精度的部分。

这些数字都只是权重的存储量。推理时还需要计算中间结果、缓存和运行时空间。训练时，要继续加上梯度和优化器状态；供反向传播使用的中间结果，也可能占用大量内存。Hugging Face GPU 内存说明

为了看清量级，假设一个 7B 模型进行全参数训练，参数和梯度都用 FP32，也就是每个值占 4 字节的 32 位浮点数；Adam 的两份状态也用 FP32，全部放在同一设备上：

保存的内容	每个参数对应的字节数	7B 模型的估算占用
参数本身	4	28GB
梯度	4	28GB
Adam 的一阶矩状态	4	28GB
Adam 的二阶矩状态	4	28GB
上述四项合计	16	112GB

Adam 会维护一阶、二阶矩估计，作为更新参数的历史信息。这里的表格根据指定精度计算，GB 按十进制计；还没有加入各层产生并供反向传播使用的中间激活、临时张量和框架开销。PyTorch Adam 文档

112GB 是这组假设下的估算，不能当成所有 7B 训练的固定要求。混合精度、不同优化器、参数分片和卸载都会改变结果。它说明的是：“这个量化模型能装进我的电脑”和“我能更新它的全部参数”，需要分别判断。

算力账单取决于要重复多少次

内存首先决定一次计算能否放得下。放得下以后，还要看多久才能完成。

同样的模型，训练十万条短样本和训练数十亿个 token，工作量会差很多。token 是模型处理文本的单位，可以是一个字、词的一部分或其他文本片段。

假设有 10 万条样本，平均每条 512 个 token，完整遍历 3 轮，也就是 3 个 epoch。忽略补齐序列长度（padding）等额外开销，需要处理的 token 数量约为：

`1`	`100,000 × 512 × 3 = 153,600,000`

这已经是约 1.54 亿个 token。它不能直接换算成固定的训练小时数：模型结构、序列长度、精度、硬件、数据读取速度和实现方式都会影响吞吐。

对按 GPU 卡时收费的服务，算力费用可以先写成：

`1`	`GPU 数量 × 占用小时数 × 每张 GPU 的小时价格`

卡数增加也不保证训练时间按相同比例缩短，多卡之间需要通信，数据准备也可能成为瓶颈。实际选择时，需要比较完成同一项实验的总时间和总费用。

更容易遗漏的是实验次数。调整学习率、换数据格式、比较不同训练轮数，都可能再跑一遍。一次成功训练用了 20 小时，如果前后测试了五套相近配置，应该把这些实验一起记到账上。

因此，预算的对象最好是一轮完整实验：准备数据、调试、训练、评估，以及根据结果做出的下一次修改。

从零训练、全参数微调和 LoRA，投入方式不同

讨论训练费用前，先说明准备改变模型的哪一部分，会更容易比较。

方式	从哪里开始	更新哪些参数	成本特点
从零预训练	随机初始化的模型	通常更新全部参数	要从数据中建立基础能力，通常需要大量数据和训练步骤
全参数微调	已经训练好的模型	全部参数	利用已有能力适应目标任务，通常减少数据和步骤，但每一步仍有较高的内存需求
LoRA 微调	已经训练好的模型	少量新增的低秩参数	减少需要训练、保存梯度和优化器状态的参数量

LoRA 的做法，是保留原有权重，在选定位置加入较小的可训练矩阵。基础模型保持冻结，只更新新增的部分。它适合用较少的训练参数调整模型在特定任务上的表现。Hugging Face LoRA 说明

QLoRA 进一步让基础权重以量化形式保存。这里节省的是基础权重占用，并不表示所有计算、梯度和中间结果都变成 4-bit。

即使采用 LoRA，基础模型仍要参与计算，还要为适配器计算梯度。文本很长、每批样本数（batch size）很大时，仍然可能超出内存。MLX 的微调文档也把缩小 batch、缩短样本、减少训练层数和使用梯度检查点列为控制内存的方法。梯度检查点会重新计算一部分中间结果，以额外计算换取更少的内存占用。MLX LoRA 与 QLoRA 文档

对个人学习者来说，LoRA 提供了一个有用的台阶：先利用已有模型做小规模实验，观察数据和训练配置如何改变结果。

GPU 以外，还有几笔容易漏掉的账

数据处理需要时间。 数据可能重复、格式不一致，或者输入与答案没有正确对应。下载一个数据集以后，还需要检查样本、清洗和划分训练与验证数据。直接扩大训练规模，会让数据问题跟着放大。

评估决定这次训练有没有价值。 训练 loss 下降，只说明模型更适应训练目标。它在新问题上的表现、格式遵循和原有能力是否发生变化，都需要用独立样本检查。人工检查花时间，调用其他模型辅助评估也可能产生费用。

存储和恢复影响重复劳动。 一次实验可能保存多个检查点。为了恢复训练，检查点还可能包含优化器等状态，大小不能只按最终发布的权重文件估算。保存过于频繁会增加磁盘和 I/O 开销，完全不保存则可能在中断后重做大量计算。

本地机器也有使用成本。 已有电脑上的小实验，直接支出主要是电费；较长训练还会持续占用内存和计算资源，影响同时进行的工作。对我目前的阶段，读懂数据、定位报错和解释结果所花的时间，更值得认真记录。

把问题放回这台 32GB Mac

我的电脑是 M1 Pro，10 核 CPU、14 核 GPU，32GB 统一内存。统一内存由系统、应用、CPU 和 GPU 共同使用，不能把它理解为 32GB 内存之外还有一份独立显存。

PyTorch 可以通过 MPS 使用苹果 GPU，适合逐步开展本地学习实验。具体代码仍要检查设备支持，使用 CUDA 专属接口或相关依赖的脚本需要适配。Apple 的 PyTorch MPS 说明

我会把第一轮实践安排成三个阶段：

阶段	实验	需要获得的结果
弄懂训练循环	线性回归、小型 MLP 分类器	能独立完成预测、loss、反向传播、更新和验证
看清资源变化	小型 Transformer，逐项调整 batch 和序列长度	记录耗时、峰值内存和验证表现，知道瓶颈来自哪里
尝试任务适配	在兼容框架中，用小模型和小数据做 LoRA	比较微调前后同一组独立问题的表现

等前面的训练循环和资源记录都熟悉以后，再考虑更大的模型或租用 GPU。这样决定花钱时，已经知道当前缺的是内存容量、计算速度，还是数据和实现上的改进。

下一次实验，我准备先用 y = 2x + 1 拟合一条直线，记录学习率、训练步数、loss 和最终参数。把这几个数字之间的关系解释清楚，再把模型放大。