minimind-o

从零训练0.1B全模态模型，单卡搞定能听会说能看

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署对话助手 🍴 复刻 343 🐛 待处理 8 👀 关注 16

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 2710

维护状态较活跃

是否开源开源

定价模式 🏷️完全免费开源项目，Apache-2.0许可证，可免费使用和修改，无付费版本。

项目预览

项目数据

分类对话助手

开发团队jingyaogong

官网地址https://jingyaogong.github.io/minimind-o

GitHubhttps://github.com/jingyaogong/minimind-o

定价模式🏷️完全免费

价格说明开源项目，Apache-2.0许可证，可免费使用和修改，无付费版本。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型artificial-intelligence,chatgpt,omni

GitHub 星标★ 2710

上线时间2026-05-01 00:00:00

代码更新2026-10-27

仓库体积6.3 MB

本站数据更新2026-11-09

维护状态较活跃

收录时间2026-08-09

浏览次数4

项目介绍

MiniMind-O 是一个从零开始训练的 0.1B 参数全模态（Omni）模型，旨在让开发者以极低资源复现类似 GPT-4o 的听、说、看能力。项目解决了小模型在多模态融合上的难题，提供了完整的数据处理、训练、推理和部署流程。核心能力包括语音识别与合成、图像理解、文本对话，并支持流式交互。通过精简的架构和高效的训练策略，项目在单张消费级显卡上即可完成训练，大幅降低了多模态 AI 的入门门槛。代码结构清晰，文档详尽，适合研究学习和小规模应用。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 2710

技术标签

artificial-intelligence chatgpt

使用教程

ℹ 本教程由 AI 依据该项目 README 整理，个别步骤可能需要按你的环境微调。

难度：进阶约 20 分钟部署方式：本地安装 3 步

环境要求

Python 3.10
CUDA 12.2 环境（训练建议 NVIDIA GPU，如 RTX 3090 24GB）
操作系统 Ubuntu 20.04（官方验证环境）
已安装 pip 并能访问 PyPI（README 使用清华镜像源）

安装与启动步骤

1获取项目代码

从 GitHub 克隆仓库到本地。README 未给出克隆命令，此处按项目地址给出通用写法，如已有源码可跳过。
```
git clone https://github.com/jingyaogong/minimind-o.git
```
2进入项目目录

切换到克隆下来的项目根目录，后续安装与运行都在该目录下进行。
```
cd minimind-o
```
3安装依赖

使用 README 给出的命令安装 requirements.txt 中的全部依赖，并用清华镜像源加速下载。
```
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
```

如何确认成功

pip 命令执行完毕且无报错、依赖包显示安装成功，即表示运行环境准备完成。

常见问题

Q：没有独立显卡能运行吗？

A：可以。README 说明该模型仅约 0.1B 参数，CPU 即可快速推理；但完整训练仍建议使用 GPU，如单张 RTX 3090。

Q：依赖下载很慢怎么办？

A：README 安装命令已带清华镜像源参数 -i https://pypi.tuna.tsinghua.edu.cn/simple，直接照抄执行即可，不要删掉该参数。

Q：完整训练大概要多久？

A：README 实测：mini 数据集在单张 NVIDIA RTX 3090 上跑完 SFT 约 2 小时，适合作为完整链路的入门验证。

Q：WebUI 怎么启动？

A：README 有“启动 WebUI（可选）”小节，但本次节选未包含其中的具体命令，请到仓库原文查看后再执行。

注意事项

README 的“快速开始”只给出了依赖安装命令，权重下载与启动的完整命令未在节选中出现，请以仓库原文为准。
官方分享的参考配置为 Ubuntu 20.04 + CUDA 12.2 + Python 3.10 + RTX 3090(24GB)，非该配置时可能出现兼容问题。
项目提供 mini 与 full 两套训练数据，mini 数据集便于快速跑通链路，full 数据集与发布权重对应。
核心算法使用 PyTorch 原生实现、不依赖第三方高层抽象，安装依赖后即可按仓库脚本自行阅读与修改。