据@karpathy称，nanochat现已具备明确身份并可说明自身能力，包括其为由他构建的nanochat d32、成本约$800且在非英语方面较弱，这些均通过合成数据定制实现，来源: x.com/karpathy/status/1980508380860150038。 他发布了一个示例脚本，展示如何生成多样化合成对话并在中期训练或SFT阶段混入，强调保持数据熵以避免重复性，来源: x.com/karpathy/status/1980508380860150038。 他指出基础LLM本无固有个性或自我认知，需通过精心策划的合成数据显式“加装”，来源: x.com/karpathy/status/1980508380860150038。 对交易者而言，$800的定制成本基准与开源流程，为评估开源AI智能体开发与AI相关代币和AI概念股的采用路径提供具体参照，来源: twitter.com/karpathy/status/1980665134415802554。

据 @karpathy 表示，depth-32 的 nanochat d32 以约 $1000 成本、约 33 小时完成训练，并在预训练、SFT 与 RL 各阶段均有指标提升（来源：Karpathy 在 X；Karpathy GitHub nanochat 讨论）。其称该模型 CORE 得分为 0.31，高于 GPT-2 的约 0.26，且 GSM8K 从约 8% 提升至约 20%，对微型模型而言是显著进步（来源：Karpathy 在 X；Karpathy GitHub nanochat 讨论）。他提醒 nanochat 的训练成本为 $100–$1000，且 $100 版本参数量约为 GPT-3 的 1/1000，因而更易出现幻觉与不稳定表现，用户预期需保持克制（来源：Karpathy 在 X）。他还表示已在仓库提供 run1000 sh 等脚本，当前短期托管供测试，后续将优化训练吞吐并可能继续向更大模型扩展（来源：Karpathy 在 X；Karpathy GitHub 仓库）。对于交易者而言，提供 AI 工作负载的去中心化 GPU 网络如 Render（RNDR）、Akash（AKT）与 Bittensor（TAO）是值得关注的标的，因低成本开源训练有利于开发者试验与算力需求叙事（来源：Render Network 文档；Akash Network 文档；Bittensor 文档）。