AI 大模型训练模拟器。从零开始，体验完整的 AI 大模型研发流程：采集数据、购买 GPU、研发技术、训练模型、跑基准测试。
这不是经营游戏，这是训练模拟器。核心乐趣在于研究技术路线、优化训练参数、挑战更高基准得分。
用浏览器直接打开 index.html 即可，无需安装任何依赖。
如需本地服务器：
cd model-rush
python -m http.server 8000
# 浏览器访问 http://localhost:8000修改 JS/CSS 后按
Ctrl+F5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）。
Model Rush 是一款训练模拟器，核心体验在于：
- 技术路线选择 — 41 项技术按 5 个层级依赖树排列，必须解锁当前层级全部技术才能进入下一级
- 训练参数调优 — 自由滑动条 1B~3T 参数、可调超参（学习率、Batch Size、序列长度、Warmup）
- GPU 选型策略 — 14 款 GPU 型号（A100 到 Vera Rubin），按算力/显存/功耗/价格权衡
- 三阶段训练 — 预训练(72%) → SFT(20%) → 对齐(8%)，包含子阶段、检查点、训练中事件
- 基准测试挑战 — 6 大类基准评测（推理/编程/理解/多语言/安全/长上下文），追求最高分
收入与融资只是支撑继续训练的手段，不是游戏目标。真正的目标是训练出最高基准测试得分的模型。
采集数据 → 购买GPU → 研发技术 → 训练模型 → 基准测试 → 部署/迭代
- 参数范围：1B ~ 3000B (3T)，自由滑动条，不限于固定档位
- 训练阶段：预训练 → 监督微调 SFT → 对齐训练，含子阶段进度
- 超参数：学习率、Batch Size、序列长度、Warmup 步数均可实时调整
- 检查点：每 10% 进度自动保存，训练崩坏后可回滚
- 暂停/恢复：训练可随时暂停，暂停超过 30 天损失 1% 质量
- 并行训练：支持同时运行多个训练任务，GPU 资源自动分配
- 训练中事件：Loss Spike、GPU 离线、数据瓶颈、梯度消失
必须解锁当前层级全部技术才能研发下一级技术：
| 层级 | 名称 | 技术数 | 说明 |
|---|---|---|---|
| Tier 1 | 探索级 | 8 | Flash Attention、Mixed Precision、RoPE、数据去重、课程学习等 |
| Tier 2 | 工程级 | 9 | GQA、ZeRO-3、Ring Attention、LoRA、知识蒸馏、RLAIF 等 |
| Tier 3 | 架构级 | 7 | MoE、MTP、3D 并行、GRPO、Constitutional AI、QAT 等 |
| Tier 4 | 前沿级 | 14 | FP8 训练、FSDP2、合成课程、连续批处理、工具调用训练等 |
| Tier 5 | 突破级 | 5 | 液冷超算、神经形态计算、量子机器学习、AGI 对齐、自改进训练 |
| GPU | 架构 | TFLOPS | 显存 | 功耗 | 单价 | 解锁市值 |
|---|---|---|---|---|---|---|
| A100 80GB | Ampere | 312 | 80GB HBM2e | 400W | $15K | $0 |
| L40S | Ada | 733 | 48GB GDDR6 | 350W | $12K | $150M |
| H100 | Hopper | 1979 | 80GB HBM3 | 700W | $30K | $200M |
| H800 | Hopper | 1979 | 80GB HBM3 | 700W | $35K | $300M |
| MI300X | CDNA3 | 1307 | 192GB HBM3 | 750W | $20K | $300M |
| H200 | Hopper | 1979 | 141GB HBM3e | 700W | $45K | $500M |
| Gaudi 3 | Gaudi | 1835 | 128GB HBM2e | 900W | $35K | $600M |
| MI325X | CDNA3 | 1307 | 256GB HBM3e | 1000W | $28K | $800M |
| B200 | Blackwell | 2250 | 192GB HBM3e | 1000W | $55K | $1B |
| B300 | Blackwell Ultra | 4500 | 288GB HBM3e | 1400W | $70K | $2B |
| MI355X | CDNA4 | 2500 | 288GB HBM3e | 1400W | $60K | $3B |
| GB300 NVL72 | Blackwell Ultra | 4500 | 288GB HBM3e | 1800W | $90K | $5B |
| Rubin | Rubin | 6250 | 288GB HBM4 | 1800W | $100K | $10B |
| Vera Rubin | Vera | 15000 | 512GB HBM4 | 2500W | $180K | $25B |
6 种数据源（网页、书籍、代码、学术、合成、多语言），数据质量直接影响模型评分。
6 大类评测：推理(25%)、编程(20%)、文本理解(20%)、多语言(15%)、安全性(10%)、长上下文(10%)。
评分受多因素影响：模型规模、数据质量、技术加成、超参数、对齐方法、训练稳定性。
- 每层 400 个机架位（20×20）
- 加盖楼层扩展容量，费用逐层递增
- 3D 场景可视化：供电房、冷却塔、管道连接、多层机房
- 1 真实秒 = 1 游戏天（1x 速度）
- 支持 1x / 2x / 4x 速度，可暂停
- 自动存档每 100 秒
- 旋转：鼠标拖拽（移动端单指）
- 缩放：滚轮（移动端双指）
- 点击 GPU 机架：查看详情
- 点击供电房/冷却塔：查看容量状态
- 预览：运营概览、财务、基础设施
- 产品：已部署模型列表、部署与调配 GPU
- 训练：训练进度、阶段/子阶段、Loss、检查点
- 研发：技术树、层级进度、研发队列
- 库存：GPU 库存明细
- 日志：事件日志
- HTML5 + CSS3 + JavaScript (ES6+)
- Three.js 0.148（3D 渲染）
- Tailwind CSS 3.x（界面样式）
- 纯前端，单存档（LocalStorage）
model-rush/
├── index.html
├── README.md
├── assets/
│ └── favicon.ico
├── css/
│ └── style.css
└── js/
├── config.js # 配置常量（14 款 GPU、41 项技术、5 层技术树）
├── 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 # 单存档系统
├── scene.js # Three.js 场景
├── datacenter.js # 3D 多层数据中心
├── ui.js # UI 交互
└── main.js # 主入口
研究员可加速研发和训练，解锁需要达到对应市值：
| 级别 | 月薪 | 加速效果 | 解锁市值 |
|---|---|---|---|
| 初级研究员 | $3M | +2% | $100M |
| 高级研究员 | $8M | +4% | $500M |
| 首席研究员 | $15M | +6% | $5B |
每级最多聘请 5 人，聘请冷却 30 天。
基准测试得分由以下因素综合决定：
- 模型规模：参数越多基础分越高（对数增长）
- 数据质量：采集高质量数据提升通用质量加成（上限 1.35x）
- 技术加成：41 项技术提供分类加成（如 Flash Attention 提升编程能力）
- 超参数：学习率、Batch Size、序列长度影响训练效果
- 对齐方法：RLHF/DPO 提供质量加成
- 训练稳定性：中断次数、Loss Spike 等事件会降低得分
- 难度系数：整体分数乘以 0.75 的难度系数，避免轻易满分
评分公式：
基础分 = 15 + max(0, log10(params) - 9) × 3.5
分类得分 = 基础分 × 通用质量 × 数据分布加成(±8%) × 技术加成(×0.7) × 中断惩罚(×0.92) × 随机波动(0.92~1.08) × 难度系数(0.75)
最终得分 = Σ(分类得分 × 权重)
作者：mukunjin
仓库：https://github.com/mukunjin/model-rush
所有源文件顶部均包含版权声明：
// 作者：mukunjin
// 仓库：https://github.com/mukunjin/model-rush