这是测试版仓库，功能变更可能过快，建议前往正式版仓库
AI 大模型训练模拟经营游戏。扮演一家 AI 公司，从零开始：采集数据、购买 GPU、研发技术、训练模型、挑战基准测试最高分。
用浏览器直接打开 index.html 即可，无需安装任何依赖。
项目使用 ES6 模块/本地文件，某些浏览器或环境下直接打开 file:// 可能受限（如缓存、CORS）。推荐用 Python 起一个本地静态服务器：
# Python 3（Windows / macOS / Linux 通用）
cd model-rush
python -m http.server 8000
# 然后浏览器访问 http://localhost:8000# 若只有 Python 2
python -m SimpleHTTPServer 8000提示：修改 JS/CSS 后若页面未更新，按
Ctrl+F5（macOS:Cmd+Shift+R）强制刷新清缓存。
依赖通过 CDN 加载：
- Three.js（3D 渲染）
- Tailwind CSS（界面样式）
体验 AI 大模型开发全流程，从数据采集到模型训练，最终训练出最高基准测试得分的 AI 模型。
- 1 真实秒 = 1 游戏天（1x 速度）
- 支持 1x / 2x 速度，可暂停（已移除 5x）
- 游戏持续运行，非回合制
- 现金：$150,000,000（1.5 亿美金）
- 供电容量：1 MW
- 冷却容量：1.5 MW
- 数据中心：200 个机架位
- 采集数据 → 2. 购买 GPU → 3. 研发技术 → 4. 训练模型 → 5. 基准测试 → 6. 部署模型赚取收入
数据是大模型的基石。训练前必须先从不同来源采集训练数据：
| 数据源 | 质量 | 价格 | 类别 | 说明 |
|---|---|---|---|---|
| 网页爬取 | 55% | $5M/10B | 通用 | 互联网公开文本，量大但质量参差不齐 |
| 书籍语料 | 85% | $15M/10B | 知识 | 高质量出版书籍，提升文本理解 |
| 代码仓库 | 80% | $20M/10B | 编程 | GitHub开源代码，提升编程能力 |
| 学术论文 | 90% | $25M/10B | 推理 | arXiv论文，提升推理能力 |
| 合成数据 | 75% | $30M/10B | 通用 | 模型生成的高质量训练数据 |
| 多语言语料 | 65% | $10M/10B | 多语言 | 中英日韩等多语言文本 |
数据质量直接影响模型最终评分。建议采集 50B+ tokens，混合多种数据源以获得最佳效果。
通过底部"GPU管理 → 购买 GPU"打开购买面板。
- 1 个机架 = 8 张 GPU
- 9 款 GPU 可选，按公司市值渐进解锁：
| GPU 型号 | 解锁市值 | 算力(TFLOPS) | 显存 | 功耗 | 单价 |
|---|---|---|---|---|---|
| A100 80GB | $0 | 312 | 80GB HBM2e | 400W | $15K |
| H100 | $200M | 990 | 80GB HBM3 | 700W | $30K |
| MI300X | $300M | 1307 | 192GB HBM3 | 750W | $20K |
| H200 | $500M | 2000 | 141GB HBM3e | 700W | $45K |
| MI325X | $800M | 1630 | 256GB HBM3e | 750W | $28K |
| B200 | $1B | 2250 | 192GB HBM3e | 1000W | $55K |
| B300 | $2B | 2500 | 288GB HBM3e | 1400W | $70K |
| GB300 NVL72 | $5B | 3750 | 288GB HBM3e | 1800W | $90K |
| Rubin | $10B | 6250 | 288GB HBM4 | 1800W | $100K |
- 每种 GPU 型号最多 2000 张
- 按型号折算最少GPU数：训练与部署时，不同型号按算力（TFLOPS）和显存折算所需数量（以 H100 为基准）。低算力/小显存型号需要更多张，界面中每型号显示"最少N"
点击底部"拆除 GPU"按钮，选择型号和数量。拆除返还购买价的 50%。
- 训练中或已部署模型推理占用的 GPU 不可拆除，需先停止训练或下架模型释放资源
- 拆除面板会显示各型号"可拆数量 = 总库存 - 训练占用 - 推理占用"
供电：GPU 运行需要电力。功耗按实际负载计算：
-
训练中 GPU：额定功耗的 95%
-
推理中 GPU：额定功耗的 60%
-
闲置 GPU：额定功耗的 15%
-
总功耗 = GPU 实际功耗 x (1 + 冷却系数 0.30)
-
超载（实际总功耗超过供电容量）触发断电 3 天，断电期间训练中断
-
超载检查在购买 GPU、开始训练、部署模型时都会执行（三者都会抬升实际功耗）
-
扩容供电：$50,000,000 / MW
-
断电持续 3 天，期间训练中断
冷却：冷却容量需 >= GPU 实际功耗的 30%。
- 扩容冷却：$20,000,000 / MW
- 冷却不足时（训练启动时检查），训练效率降低 30%
- 初始 200 个 GPU 位（10 行 x 20 列）
- 每次采用模块化扩建，增加 5 行 x 10 列；随着边界扩大，单次新增 GPU 位也会增加
- 费用递增：$75M x 1.25^N，保持长期扩张成本，但不会过快压垮前期资金流
- 点击按钮弹出确认窗口，显示当前/扩容后规模、本次新增 GPU 位和费用明细
点击"研发技术"，选择需要研发的技术。研发等级会随已完成技术数量自动提升：Lv.2 需完成 3 项、Lv.3 需完成 8 项、Lv.4 需完成 15 项。技术按四层依赖树排列：
Tier 1（基础技术，无前置）：
- Flash Attention / Mixed Precision / RoPE / 数据去重与清洗 / 课程学习 / 序列打包 / SwiGLU / RMSNorm
Tier 2（进阶技术）：
- GQA / ZeRO-3 / Ring Attention / Sparse Attention / LoRA / Knowledge Distillation / RLAIF / 梯度检查点 / KV Cache 优化
Tier 3（高级技术）：
- MoE / MTP / 3D Parallelism / GRPO / Constitutional AI / QAT / Speculative Decoding
Tier 4（前沿技术）：
- FP8 训练 / FSDP2 分片并行 / 领域 Tokenizer / 合成课程数据 / 连续批处理 / 开源生态运营
- 专家并行 / 算子融合编译 / 检索增强预训练 / 上下文压缩 / 偏好优化管线 / 工具调用训练 / 平滑量化部署 / 隐私保护数据管线
研发需要时间和资金，研究员数量越多研发越快。最多同时研发 (2 + 研究员数/3) 项技术。
点击"新建训练"配置训练任务：
模型规模：自由滑动条 1B ~ 2T 参数，不限于固定档位；也可按预设规模选择
数据质量：由采集数据自动派生，采集高质量数据源可获得更好评分
超参数：学习率、Batch Size、序列长度、Warmup 步数（可实时调整）
GPU 分配：按型号分配训练 GPU；可同时创建多个训练任务，资源会自动扣除其它训练与推理的占用。每个任务可独立暂停、恢复或放弃。
技术选择：仅可选择已研发解锁的技术
训练阶段（含子阶段）：
- 预训练(72%)：数据准备 → 小规模验证 → 全量训练 → 收敛判断
- SFT(20%)：指令数据筛选 → 多轮训练
- 对齐(8%)：偏好对齐 → 安全评估
训练中事件：Loss Spike（损失飙升）、GPU 离线（硬件故障）、数据瓶颈（IO 变慢）、梯度消失
检查点：每 10% 进度自动保存，训练崩坏后可回滚。
研究员提供训练效率加成和研发加速。每次聘请后有 30 天冷却期。不同等级需要达到指定市值才能聘请。
| 等级 | 月薪 | 训练效率加成 | 加速研发 | 解锁市值 | 最多 |
|---|---|---|---|---|---|
| 初级 | $3,000,000 | +2% | +2% | $0 | 5位 |
| 高级 | $8,000,000 | +4% | +4% | $500M | 5位 |
| 首席 | $15,000,000 | +6% | +6% | $2B | 5位 |
训练完成后自动跑 6 大基准测试。评分系统设计为具有挑战性，需要投入大量资源才能获得高分：
| 类别 | 权重 | 说明 |
|---|---|---|
| 推理能力 | 25% | 数学、逻辑推理 |
| 编程能力 | 20% | 代码生成、调试 |
| 文本理解 | 20% | 阅读理解、摘要 |
| 多语言 | 15% | 中英互译 |
| 安全性 | 10% | 红队攻击拒答率 |
| 长上下文 | 10% | 大海捞针测试 |
评分公式：基础分（模型规模） x 质量加成（数据+技术+对齐，上限1.30x） x 数据类别分布加成(±10%) x 类别技术加成 x 随机波动 x 中断惩罚
- 小型模型即使全极致配置也难以突破 30 分
- 中型模型用心经营可达 40-50 分
- 前沿模型全极致配置可达 55-60 分
- 不同技术对不同类别有加成（如 GRPO 对推理+5%，RoPE 对长上下文+4%）
- 采集数据按类别（推理/编程/知识/多语言/通用）分布影响对应基准类别得分：某类数据占比越高，对应类别得分越高（钳制 ±10%）
训练完成后可部署模型提供推理服务赚取收入：
- 部署需为模型分配推理 GPU（按型号折算最低需求，以 H100 为基准）；不同型号可按 TFLOPS 汇率混用
- 部署后推理 GPU 被占用，不可用于训练或拆除
- 已部署模型产生每日 API 收入；开源模型可通过托管与支持服务获得较低收益，研发“开源生态运营”可进一步提高
- 训练完成的模型会先进入待部署列表，可在产品页手动部署；每个模型同时只能部署一份
- 可随时“调配 GPU”增减或替换型号，但不能低于模型的最低 H100 等效部署量；也可下架模型释放全部推理 GPU
- 部署后若供电超载同样触发断电 3 天
- 每 180 天可融资一次
- 融资金额 = $1B x (最高模型得分 / 100) x 8
- API 收入（每日）：闭源模型按 DAU x token 数 x 单价计算
- 企业授权收入（每月）：基于模型得分
- 运营支出（每日）：电费（已含冷却系统耗电）、网络服务费（每个已部署模型同价）、薪资与机房租金
当公司现金低于 -$50M 时触发破产。游戏将弹出破产通知，显示运营天数和最终估值，存档将被删除，游戏重置回启动界面。
- 旋转视角：鼠标拖拽（移动端：单指拖动）
- 缩放：滚轮（移动端：双指捏合）
- 点击 GPU 机架：查看详细信息
- 点击供电房/冷却塔：查看容量和当前负载状态
- 橙色管道：供电线路
- 绿色管道：冷却管道
- 半透明建筑：数据中心机房
- 场景地面随平台扩展自动缩放，雾效限制远处视野
每 30~90 天触发一次随机事件：硬件故障、电网波动、数据泄露、人才挖角、技术突破、政策利好、芯片禁运、行业盛会、算法突破、电力故障。
右侧面板使用标签页布局：
- 预览：收入/支出/利润/现金流，基础设施状态（含实际/额定功耗显示）
- 产品：已部署模型列表，包含得分、规模、开源/闭源、日收入、6 项基准分项、使用技术、推理GPU占用（等效H100折算），可"下架"释放GPU
- 训练：当前训练进度、阶段/子阶段、Loss、GPU 利用率、稳定性、检查点
- 研发：研发进度条、已解锁技术列表
- 库存：GPU 库存明细
- 日志：事件日志
顶部栏：公司名 | 现金 | 市值 | 天数 | 速度控制
- 暂停 / 1x / 2x：控制游戏速度
- 多存档槽：可在启动页选择存档继续；游戏内“存档管理”支持将当前进度另存为新槽、切换和单独删除
- 自动存档：每 100 真实秒自动保存一次（页面刷新/关闭前也会自动保存），始终写入当前存档槽
底部操作栏：GPU管理 | 基础设施 | 团队 | 采集数据 | 新建训练 | 融资 | 删除存档
- GPU管理：购买GPU / 拆除GPU
- 基础设施：扩容供电 / 扩容冷却 / 扩容机房
- 团队：聘请研究员 / 研发技术
- 点击分组按钮展开下拉菜单，再点击对应选项打开操作页面
- 删除存档：清除所有进度，操作前弹出确认对话框
- HTML5 + CSS3 + JavaScript (ES6+)
- Three.js 0.148（3D 渲染）
- Tailwind CSS 3.x（界面样式）
- 纯前端，无后端依赖
- 支持移动端：3D 场景触摸操作（单指旋转/双指缩放）、底部操作栏横向滚动、下拉菜单居中弹出、模态框自适应
model-rush/
├── index.html # 主页面
├── README.md # 本文件
├── DESIGN_PLAN.md # 详细设计文档
├── css/
│ └── style.css # 自定义样式
└── js/
├── config.js # 游戏配置常量
├── game.js # 游戏状态与时间循环
├── economy.js # 经济系统
├── training.js # 训练系统
├── benchmark.js # 基准测试评估
├── research.js # 技术研发系统
├── data.js # 数据采集系统
├── events.js # 随机事件
├── save.js # 存档系统（LocalStorage）
├── scene.js # Three.js 场景
├── datacenter.js # 3D 数据中心
├── ui.js # UI 更新与交互
└── main.js # 主入口