据 Andrej Karpathy 在 X 表示，NanoChat 现已在单台 8×H100 节点上将 GPT‑2 能力模型训练时间缩短至约 2 小时，较一月前的约 3 小时进一步降低，主要得益于将数据集从 FineWeb‑edu 切换为 NVIDIA ClimbMix，并启用 FP8 优化（来源：Karpathy）。据其称，Olmo、FineWeb、DCLM 等数据集带来回归，而 ClimbMix 开箱即用效果更好，显示更高的数据效率与更少的调参成本。另据 Karpathy 报道，其已用 AI 代理自动迭代 NanoChat，在约 12 小时内进行了 110 次变更，将 d12 模型验证损失从 0.862415 降至 0.858039，且不增加壁钟时间，体现出可持续的训练运维自动化范式。对企业而言，这意味着通过 FP8 降本增效、采用高质量语料如 ClimbMix 加速收敛、以及以代理驱动的 MLOps 实现持续集成与性能回归防护的市场机会。

据Andrej Karpathy在X平台披露，nanochat现可在单台8卡H100节点上约2小时完成GPT‑2能力模型训练，较一月前的约3小时显著缩短，主要得益于将训练数据集从FineWeb‑edu切换为NVIDIA ClimbMix，并结合FP8及多项调优（来源：Andrej Karpathy on X，2026年3月5日）。据Karpathy称，Olmo、FineWeb与DCLM等数据集导致性能回退，而ClimbMix即插即用效果显著，凸显数据配方对小型模型效率与收敛的直接影响（来源：Andrej Karpathy on X）。另据其介绍，AI代理已自动迭代nanochat，在约12小时内完成110次变更，将d12模型验证损失从0.862415降至0.858039，且不增加壁钟时间，方法为在特性分支上试验并合入有效改动（来源：Andrej Karpathy on X）。对业界而言，这表明可在常见8卡H100集群上实现更快的LLM训练迭代，通过ClimbMix优化数据质量，并以代理式MLOps实现持续训练与部署的效率提升（来源：Andrej Karpathy on X）。