据@karpathy，nanochat首个miniseries v1在固定FLOPs下跨模型规模实现计算最优训练，端到端流程与脚本已开源可复现。来源：@karpathy在X 2026年1月7日；nanochat GitHub讨论#420 他称nanochat复现了类似Chinchilla的缩放规律，参数与数据的指数均接近0.5，并给出计算无关的常数约为8个token/参数，而Chinchilla报告为20。来源：@karpathy在X 2026年1月7日；Hoffmann等人2022年Chinchilla 该系列从d10到d20，在单个8卡H100节点、无需梯度累积的条件下实现了约2^19（约50万）的批量，训练曲线互不相交。来源：@karpathy在X 2026年1月7日 他使用CORE分数将nanochat与GPT-2和估算的GPT-3进行客观对齐对标。来源：@karpathy在X 2026年1月7日；DCLM论文（CORE分数） 整套实验成本约100美元，约4小时8张H100完成，全部调参与代码已推送至master，可用scaling_laws.sh与miniseries.sh复现。来源：@karpathy在X 2026年1月7日；nanochat GitHub讨论#420 据此可推算出本次运行的H100单卡小时成本约3.1美元，为AI工作负载的算力定价提供参考。来源：基于@karpathy在X 2026年1月7日的计算 对加密市场而言，去中心化GPU网络以算力/GPU时长为核心定价或撮合，使上述成本与缩放基准对其工作负载定价和基准评测直接相关，例如Render Network（RNDR）与Akash Network（AKT）。来源：Render Network官方文档；Akash Network官方文档

据@karpathy表示，nanochat是一个从零构建的极简全栈管线，可通过一条脚本在云端GPU上训练并部署简单的ChatGPT式LLM，并在约4小时内通过网页端与模型对话，实现端到端训练与推理流程。来源：@karpathy。 他称该代码库约8,000行，涵盖Rust实现的分词器训练、在FineWeb上的预训练及CORE评估、基于SmolTalk与多选数据的中期训练与工具使用、SFT、基于GRPO在GSM8K上的可选强化学习，以及带KV缓存的推理引擎、Python工具、CLI与类ChatGPT网页端，并生成自动化报告卡。来源：@karpathy。 披露的成本与时长基准为：8卡H100约4小时成本约100美元、约41.6小时成本约1000美元；一个24小时、depth-30的示例可在MMLU取得40分段、ARC-Easy 70分段、GSM8K 20分段。来源：@karpathy。 据此推算，隐含的算力价格约为每H100小时约3.1美元（约100美元对应32个H100小时），较长训练下约为每H100小时约3.0美元（约1000美元对应332.8个H100小时），为交易者提供AI训练支出建模所需的GPU小时成本基准。来源：@karpathy。 他还表示约12小时即可在CORE指标上超过GPT-2，且随训练规模提升能力增强，将nanochat定位为透明的强基线方案、LLM101n的压轴项目并具备研究基座潜力。来源：@karpathy。 对于关注AI基础设施的加密市场参与者，这些成本与性能披露为评估面向开源LLM训练的中心化与去中心化GPU算力需求提供锚点。来源：@karpathy。