快速入门

本章带你在不到 30 分钟内完成首次 MinT 训练。流程包括：注册、安装 SDK、配置 API Key、组织数据、提交训练、拿到 LoRA 并进行采样。所有步骤都在远端 GPU 上执行，无需本地显卡。

五步概览

序号	模块	内容简介
1	注册与登录	通过白名单邮箱注册，获取企业版账号
2	安装 SDK	Python 3.11+，pip 安装 `mindlab-toolkit`
3	配置 API Key	拿到 `sk-*` Key，写入环境变量
4	第一个训练任务	组织数据集、构建 Rubric、跑一次 SFT
5	部署与采样	保存 LoRA 权重，调用 `sampling_client` 验证效果

1. 注册与登录

使用白名单邮箱注册并登录 MinT 企业版平台：https://mint-try.macaron.xin/。管理员会在企业账号中分配工作空间与算力配额。如尚未获得邀请，可联系销售：sales@mindlab.ltd。

MinT 企业版登录页

图 1a — MinT 企业版登录页

MinT 企业版注册与工作台

图 1b — 登录后工作台

2. 安装客户端 SDK

MinT 客户端要求 Python 3.11 或以上。建议使用 venv 或 conda 创建独立环境：

pip install git+https://github.com/MindLab-Research/mindlab-toolkit.git

安装完成后会同时引入 mint 包以及与之兼容的 tinker（>= 0.15.0）运行时辅助库。导入 mint 时，会自动补丁 tinker 的密钥校验逻辑，使 sk-* 形式的 API Key 可以直接使用。

如果你已经有现成的 Tinker 训练脚本，只需替换一行 import 即可迁移到 MinT：

import mint as tinker

注意

在 MinT 训练循环中请不要调用 zero_grad_async，梯度归零由服务端统一处理。

3. 配置 API Key

在 macaron.im/mindlab/mint 申请到 sk- 开头的 API Key 后，将其写入环境变量。中国大陆区域请使用 mint-cn 端点：

export MINT_API_KEY=sk-your-api-key-here
export MINT_BASE_URL=https://mint.macaron.xin/   # 大陆区: https://mint-cn.macaron.xin/
export TINKER_BASE_URL=$MINT_BASE_URL
export TINKER_API_KEY=$MINT_API_KEY

项目根目录下的 .env 文件也会被自动加载，方便在团队内部分发配置。

4. 跑通第一个训练任务

MinT 的训练数据以 mint.types.Datum 序列表示：每条样本包含一个 token 序列与每个 token 的损失权重。对 SFT 而言，prompt 部分的损失权重为 0，response 部分为 1，整体经过 teacher-forcing 偏移。

import mint
from mint import types

def process_sft_example(example: dict, tokenizer) -> types.Datum:
    prompt_ids   = tokenizer.encode(example['prompt'])
    response_ids = tokenizer.encode(example['response'])
    all_tokens = prompt_ids + response_ids
    weights    = [0.0] * len(prompt_ids) + [1.0] * len(response_ids)
    return types.Datum(
        model_input=types.ModelInput.from_ints(tokens=all_tokens[:-1]),
        loss_fn_inputs={
            'target_tokens': all_tokens[1:],
            'weights':       weights[1:],
        },
    )

准备好数据后，用以下最小训练循环完成第一次 SFT：

service_client  = mint.ServiceClient
training_client = service_client.create_lora_training_client(
    base_model='Qwen/Qwen3-0.6B',
    rank=16, train_mlp=True, train_attn=True, train_unembed=True,
)
adam_params = types.AdamParams(learning_rate=5e-5)
for step, batch in enumerate(batches_of(data, batch_size=8)):
    fb  = training_client.forward_backward(batch, loss_fn='cross_entropy')
    opt = training_client.optim_step(adam_params)
    print(f'step={step} metrics={fb.result.metrics}')
    opt.result

脚本运行时，真正的计算发生在远端 GPU。客户端只在 .result 处阻塞，可以同时编排多个 forward_backward / optim_step 调用。

5. 部署与采样

训练完成后，保存当前 LoRA 权重并拿到一个可立即采样的客户端：

sampling_client = training_client.save_weights_and_get_sampling_client(name='my-run-v1')
prompt_ids = tokenizer.encode('3 * 7 =')
samples = sampling_client.sample(
    prompt=types.ModelInput.from_ints(prompt_ids),
    sampling_params=types.SamplingParams(max_tokens=16, temperature=0.7),
    num_samples=4,
)
for s in samples.sequences:
    print(tokenizer.decode(s.tokens))

故障排查

如果 _require_api_key 报错或预检超时，请检查 MINT_API_KEY 与 MINT_BASE_URL 是否正确导出，以及 mint.macaron.xin / mint-cn.macaron.xin 是否可达。

下一步

跑通后建议看：SFT 监督微调了解超参与 Recipe；LoRA 与检查点了解在线挂载与合并部署两种形态；OpenAI 兼容 Endpoint了解业务侧对接。