Original en inglés: https://argusic.com/subject/minimind
minimind
Entrena un LLM de 64M de parámetros desde cero en solo 2h!
Funcionafuente: GitHubsitio webPythonApache-2.0commit f659b55761b7
Python, licencia Apache-2.0. El proyecto se describe a sí mismo como: artificial intelligence y large language model.
minimind funciona. Un agent de Argusic lo instaló en 12 minutos y encontró 4 errores, todos corregidos sin ayuda en una máquina limpia sin GPU, y toda la sesión quedó grabada.
MiniMind 63.91M-parameter LLM installed in venv with all dependencies, inference works on CPU generating coherent multilingual responses, OpenAI-compatible API server responds 200, and both SFT and pretrain training pipelines run end-to-end with synthetic test data.
Lo que el agent consiguió en una máquina limpia, en sus propias palabras. Cómo se mide
Medido por Argusic en una máquina limpia cada vez. Cada cifra enlaza a su evidencia. Puntuación Argusic de 100 sobre 100 (la media de las puntuaciones de las ejecuciones de este proyecto).
De un vistazo
Datos del proyecto de GitHub, enlazados al principio de esta página, actualizado . Datos de prueba de Argusic (CC BY 4.0); cada cifra enlaza a una página de ejecución con el log completo, la grabación y sus hashes sha256.
Qué se midió
De la ejecución que decidió este veredicto. Cada línea es un valor registrado, no una estimación.
Qué salió mal, en palabras del propio agent
Las palabras del propio agent, de lo más grave a lo menos, nunca reescritas como consejos.
- Model weights (full_sft_768.pth, pretrain_768.pth) not found in ./out/5 minutos
- Training scripts crashed with huggingface_hub error 'Repo id must use alphanumeric chars' for path '../model' and PermissionError on '../checkpoints'3 minutos
- pip install blocked by PEP 668 externally-managed-environment1 minuto
- ujson wheel build failed: missing Python.h development headers (unable to compile C extension)1 minuto
- Tiempo de instalación
- 12 minutos
- De máquina en frío a terminar
- 13 minutos
- Errores encontrados y corregidos
- 4 encontrados, 4 corregidos sin ayuda humana
- Cómo se demostró el resultado
- eval_llm.py with 8 test prompts generated coherent Chinese responses on CPU; curl POST to localhost:8998/v1/chat/completions returned HTTP 200 with valid JSON containing assistant response 'Hello! How can I assist you today?'; train_full_sft.py with 10-sample dataset completed 5 steps at exit 0; train_pretrain.py with 10-sample dataset completed 5 steps at exit 0
- Tokens de modelo usados
- 397.485
- Commit exacto probado
- f659b55761b7
- Imagen del contenedor
- sha256:cdd920bce783
Qué no se midió
La otra mitad, para que veas exactamente hasta dónde llega esta evidencia. Un hueco se muestra como hueco y nunca se rellena.
- Memoria de GPU máxima
- se ejecutó en una máquina con CPU, así que no había GPU que muestrear
- Comportamiento en una ejecución larga
- cada intento usa la configuración documentada más pequeña y un presupuesto de tiempo fijo, así que esto mide si funciona, no cómo aguanta bajo carga
El final de la grabación
Las últimas líneas de la sesión de terminal que decidió este veredicto, tal como se registraron.
],
\"test_depth\": \"tier1_real\",
\"notes\": \"All dependencies installed in venv. Model verified with real downloaded pytorch we…
\"verified_how\": \"eval_llm.py with 8 test prompts generated coherent Chinese responses on CPU…
\"final_state\": \"MiniMind 63.91M-parameter LLM installed in venv with all dependencies, infer…
}
print(json.dumps(result, ensure_ascii=False))
PYEOF" in /work/repo
succeeded in 0ms:
{"install_succeeded": true, "launch_succeeded": true, "install_minutes": 12, "errors": [{"msg": "pi…
tokens used
397,485Reproducir la sesión completa, cada comando desde una máquina limpia hasta este punto.
Cómo se probó
Un agent, un contenedor, sin ayuda humana. Instala el proyecto como indica su propia documentación, lo ejecuta y arregla lo que falla. Todo lo de abajo se registró tal como ocurrió: la sesión de terminal, el log y el commit exacto. La metodología completa.
Puntos fuertes y límites
Hechos medidos, no opiniones. Cómo se redacta.
Qué salió bien
- Llegó a funcionar en una máquina limpia, con la sesión grabada.
- Se recuperó de los 4 errores sin que interviniera una persona, lo que indica que los fallos están lo bastante documentados como para resolverlos.
- Funcionó sin GPU, así que no necesita una para arrancar.
- Licencia Apache-2.0, según su plataforma de origen.
- Medido 2 veces, así que el resultado no es algo puntual.
Qué no salió bien, o no se sabe
- Tardó 12 minutos en instalarse, más lento que la mediana de los 5 proyectos comparables que ha medido Argusic.
De los 6 proyectos de artificial-intelligence que Argusic ha instalado y cronometrado, minimind fue el 6.º más rápido en llegar a funcionar, y 4 de 6 llegaron a funcionar.
Para qué es una opción razonable
- Probarlo en un portátil o en un servidor pequeño: llegó a funcionar sin GPU.
Historial de ejecuciones
Temas (de GitHub)
Insertar el badge
Markdown para el README del proyecto. Enlaza de vuelta aquí; condiciones en la página de términos.
[](https://argusic.com/subject/minimind)Preguntas
- ¿Funciona minimind?
- Sí. minimind funciona. Argusic lo instaló y lo inició en una máquina limpia en 12 minutos, con 4 errores por el camino, y grabó la sesión.
- ¿Cómo probó Argusic minimind?
- En una máquina limpia y desechable, con cada comando grabado y el repositorio fijado en el commit f659b55761b7. Hay 2 intentos registrados, y la metodología completa está en la página de metodología.
- ¿Cuánto costó probar minimind?
- La ejecución que produjo este veredicto costó 0,07 USD: costo real de cómputo y de modelo, no un precio de lista por millón de tokens. Consta en la página de esa ejecución.
- ¿Cuánto tarda minimind en instalarse?
- 12 minutos en la ejecución que decidió este veredicto, desde una máquina limpia hasta que funcionó. Es un intento medido, no una media.
- ¿Necesita minimind una GPU?
- No para arrancar. Argusic consiguió que funcionara en una máquina sin GPU.
- ¿Qué falla al instalar minimind?
- En la ejecución registrada fallaron 4 cosas, y 4 se corrigieron sin ayuda humana. Cada una, con el tiempo que costó, aparece en esta página.
- ¿Cómo se compara minimind con las alternativas?
- De los 6 proyectos de artificial-intelligence que Argusic ha instalado y cronometrado, minimind fue el 6.º más rápido en llegar a funcionar, y 4 de 6 llegaron a funcionar.
- ¿Dónde está la evidencia de minimind?
- Las 2 ejecuciones registradas están en esta página, cada una enlazada a su log completo y a su grabación de terminal, guardados con una huella sha256 para que no se puedan alterar en silencio.