什么是Checkpoints

在大模型语境里，Checkpoint 可以先理解成模型训练到某个时刻留下的一份状态快照。

一句话概括：

Checkpoint 把模型参数、训练进度和必要的运行状态保存下来，让后续可以继续训练、回滚版本、评估模型，或者把某个版本拿去部署推理。

这句话里有三个关键词：

• 状态快照：它不是抽象概念，而是落到磁盘上的一组文件。
• 可恢复：训练中断后，可以从最近的 checkpoint 接着跑，而不是从头开始。
• 可交付：推理部署时，加载的通常就是某个已经训练好或量化好的 checkpoint。

中文里有时会把 checkpoint 翻译成检查点、模型快照、模型权重文件。严格说，checkpoint 是更大的概念，权重只是其中最核心的一部分。

1. Checkpoint 到底是什么#

假设你在训练一个模型，参数会随着 step 不断变化：

step 0      初始参数
step 1000   参数更新了一部分
step 10000  参数进一步优化
step 50000  得到一个较好的模型状态

如果在 step 50000 把当前模型保存下来，这个保存结果就可以叫一个 checkpoint。

完整训练 checkpoint 往往包含：

模型参数 weights
优化器状态 optimizer state
学习率调度器状态 lr scheduler state
当前训练步数 global step
随机数状态 random state
混合精度 scaler 状态
分布式训练相关状态

其中最重要的是模型参数，也就是 weights。但如果目标是“完全恢复训练”，只保存 weights 通常不够，因为 optimizer、scheduler、随机数状态都会影响后续训练轨迹。

所以可以把 checkpoint 分成两种常见理解：

训练 checkpoint = 可恢复训练状态
推理 checkpoint = 可加载模型权重目录

它们都叫 checkpoint，但关注点不一样。

2. 训练里的 Checkpoint：为了恢复状态#

在训练场景中，checkpoint 代表的是：

当前训练进度下，整个训练系统的一个可恢复状态。

大模型训练可能持续几天、几周甚至更久，中间任何环节都可能中断：

机器故障
显存 OOM
网络通信错误
训练任务被调度系统杀掉
代码 bug
集群维护

如果没有 checkpoint，训练到第 10 天崩了，代价会非常高。有 checkpoint 后，就可以从最近保存点继续：

加载 checkpoint-50000
恢复 optimizer / scheduler / step
继续训练到 checkpoint-60000

这就是常说的 resume training。

这里要注意：resume training 不是简单地“重新加载模型权重”。如果只恢复 weights，而不恢复 optimizer state，Adam 的一阶矩、二阶矩会丢失；如果不恢复 scheduler，学习率位置可能错掉；如果不恢复 global step，日志、保存策略、warmup 进度也可能错乱。

因此，训练 checkpoint 更像一次完整的“游戏存档”：不只保存角色属性，也保存当前关卡、背包、任务进度和随机状态。

3. 为什么训练要保存多个 Checkpoint#

训练过程中通常不会只保存最后一个版本，而是周期性保存：

checkpoint-10000
checkpoint-20000
checkpoint-30000
checkpoint-40000
checkpoint-50000

这样做有三个直接价值。

第一，防止中断损失扩大。保存间隔越短，故障后需要重跑的 step 越少；但保存太频繁又会占用 I/O 和存储，所以需要权衡。

第二，方便选择最佳模型。训练不一定越久越好。可能训练 loss 还在下降，但验证集效果开始变差。这时 checkpoint-30000 可能比 checkpoint-50000 更适合发布。

第三，方便回滚和对比。如果某次数据、代码或超参数变更后模型行为变差，可以回到较早 checkpoint 做评估，定位问题从哪里开始出现。

所以，checkpoint 不只是容灾工具，也是模型版本管理工具。

4. 推理里的 Checkpoint：为了加载权重#

在推理场景中，checkpoint 通常主要指：

已经训练好、可以被推理框架加载的模型权重目录。

例如启动 vLLM：

vllm serve /data/models/Qwen3-32B-w8a8-sq/

这里的 /data/models/Qwen3-32B-w8a8-sq/ 本质上就是一个推理 checkpoint 目录。

推理服务启动时大致会做：

读取 config.json
读取 tokenizer
加载模型权重 checkpoint
根据模型结构初始化参数
把权重搬到 GPU / NPU 显存中
创建 KV cache 管理器
开始接收请求

和训练 checkpoint 不同，推理 checkpoint 通常不需要 optimizer state、scheduler state 或 mixed precision scaler。它更关注：

模型结构配置
模型权重
tokenizer
生成配置
量化配置

所以在推理里，checkpoint 经常和这些词混用：

模型文件
模型权重
模型目录
部署版本
推理模型包

5. 训练 Checkpoint 和推理 Checkpoint 的区别#

二者虽然都叫 checkpoint，但保存内容和使用目的不同。

训练 checkpoint 往往比推理 checkpoint 大很多。以 Adam 为例，除了模型参数本身，还要保存一阶矩、二阶矩等 optimizer state。对于大模型来说，完整训练 checkpoint 的体积可能是模型权重本身的数倍。

推理 checkpoint 则更像一个精简交付包。它保留让模型跑起来所需的权重、配置和 tokenizer，但不保留继续训练所需的全部状态。

6. Checkpoint 在模型生命周期里的作用#

大模型不是一次训练完就结束。实际链路里，checkpoint 会贯穿预训练、微调、对齐、量化和部署。

一个常见流程是：

Base checkpoint
  ↓
SFT 微调
  ↓
SFT checkpoint
  ↓
RLHF / DPO / 其他对齐方法
  ↓
Aligned checkpoint
  ↓
量化 / 压缩
  ↓
Inference checkpoint

所以 checkpoint 是模型演进的中间产物，也是不同阶段之间的交接物。

例如你可以从一个基础模型开始：

通用大模型 checkpoint
  ↓
行业数据继续训练
  ↓
domain-specific checkpoint

也可以从一个高精度权重转换出量化版本：

BF16 checkpoint
  ↓
W8A8 量化
  ↓
W8A8 checkpoint

推理系统最终加载的，就是这个链路上某一个确定版本的 checkpoint。不同 checkpoint 即使模型结构相同，权重不同，模型行为也会不同。

7. Checkpoint 和模型目录是什么关系#

在 Hugging Face 生态里，一个推理可用的模型目录通常长这样：

Qwen3-32B/
├── config.json
├── generation_config.json
├── tokenizer.json
├── tokenizer_config.json
├── model-00001-of-00016.safetensors
├── model-00002-of-00016.safetensors
├── ...
└── model.safetensors.index.json

可以这样理解这些文件：

严格区分一下：

checkpoint = 某一时刻保存下来的模型状态
weights = checkpoint 中最核心的模型参数部分
model directory = 包含权重、配置、tokenizer 的完整目录

在日常部署里，大家会把整个模型目录称为一个 checkpoint，这是可以接受的工程简写。

8. .safetensors 是什么#

.safetensors 是一种专门用来保存深度学习张量权重的文件格式。现在 Hugging Face 生态里的大模型权重，很多都会用它保存。

一句话概括：

.safetensors 是一种比 pickle-based .bin、.pt、.pth 更安全，也更适合大模型分发和加载的权重格式。

它保存的是一个个 tensor，例如：

model.embed_tokens.weight
model.layers.0.self_attn.q_proj.weight
model.layers.0.self_attn.k_proj.weight
model.layers.0.mlp.gate_proj.weight
model.norm.weight
lm_head.weight

每个 tensor 会有自己的名字、dtype、shape、数据偏移和原始二进制数据：

q_proj.weight: shape = [4096, 4096], dtype = BF16
k_proj.weight: shape = [1024, 4096], dtype = BF16
v_proj.weight: shape = [1024, 4096], dtype = BF16

但 .safetensors 不是完整的 Python 模型对象。它通常不保存：

模型 Python 类定义
forward 逻辑
tokenizer 词表
config.json
generation_config.json
训练代码
推理代码

所以单独拿到一个 .safetensors 文件，往往不能完整说明“这是什么模型”。它需要和 config.json、tokenizer、index file 等一起使用。

9. .safetensors 内部结构#

.safetensors 的文件结构很简单，可以简化成：

[8 bytes header length]
[JSON header]
[raw tensor data]

第一段 8 字节记录 header 长度。第二段是 UTF-8 JSON header，描述每个 tensor 的 dtype、shape 和 data offsets。第三段是连续的权重二进制数据。

可以抽象成这样：

8 bytes:
    header_size
 
JSON header:
    {
      "model.layers.0.self_attn.q_proj.weight": {
        "dtype": "BF16",
        "shape": [4096, 4096],
        "data_offsets": [0, 33554432]
      },
      "model.layers.0.self_attn.k_proj.weight": {
        "dtype": "BF16",
        "shape": [1024, 4096],
        "data_offsets": [33554432, 41943040]
      }
    }
 
raw tensor data:
    一整块连续的二进制权重数据

这个设计的好处是：加载器不需要执行 Python 反序列化逻辑，只要解析 header，再按 offset 读取对应二进制数据即可。

10. 为什么叫 Safe#

这里的 safe 主要指：

加载 .safetensors 时不需要执行任意 Python 代码。

传统 PyTorch 权重文件，例如：

pytorch_model.bin
model.pt
model.pth

很多底层依赖 Python pickle。pickle 的问题是，它不只保存数据，也可能携带对象反序列化逻辑。如果从不可信来源下载权重文件，加载 pickle-based 文件理论上存在执行恶意代码的风险。

.safetensors 的取舍更保守：只保存数值 tensor 和有限 metadata，不保存任意 Python 对象，不执行自定义反序列化代码。因此它更适合第三方模型分发和生产部署。

但 safe 不等于模型一定可信。它解决的是“加载文件时不要执行恶意代码”这个问题，不解决：

模型是否被投毒
模型输出是否安全
权重是否被篡改
license 是否合规
模型是否包含后门行为

也就是说，.safetensors 是加载安全，不是内容安全，也不是版权保护或权重加密。

11. 为什么 .safetensors 适合大模型#

它适合大模型，主要有三个工程原因。

第一，更安全。不依赖 pickle，不执行 Python 对象反序列化逻辑，适合从模型仓库下载后直接加载。

第二，支持 lazy loading。加载器可以按需读取某些 tensor，而不是先把整个 checkpoint 反序列化成一个巨大的 Python 对象。对于几十 GB 甚至上百 GB 的模型，这一点很重要。

第三，更适合分片加载。大模型通常会被切成多个 shard，再通过 index file 记录每个 tensor 位于哪个 shard：

model.layers.0.self_attn.q_proj.weight  -> model-00001-of-00016.safetensors
model.layers.20.mlp.down_proj.weight    -> model-00007-of-00016.safetensors
lm_head.weight                          -> model-00016-of-00016.safetensors

这对 tensor parallel、pipeline parallel、多卡加载和推理框架权重分发都很友好。

可以把 .safetensors 和传统 PyTorch 文件做个对比：

所以 .safetensors 的核心取舍是：牺牲任意对象序列化能力，换取更简单、更安全、更适合大模型加载的权重格式。

12. 为什么会有很多个 .safetensors 文件#

因为模型太大。

一个 32B 模型如果用 BF16 保存，粗略估算就是：

32B 参数 * 2 bytes ~= 64 GB

单个文件太大，不方便下载、上传、校验和加载，所以通常会切成多个 shard：

model-00001-of-00016.safetensors
model-00002-of-00016.safetensors
...
model-00016-of-00016.safetensors

这些 shard 不是 16 个不同模型，而是同一个模型的权重被拆成了 16 份。一般不能只下载其中一个，而是要完整下载：

所有 .safetensors 分片
model.safetensors.index.json
config.json
tokenizer 相关文件

否则加载时很容易遇到：

missing weight
cannot find tensor
cannot find model weights
index references missing shard

13. 分布式训练里的 Checkpoint#

分布式训练里，checkpoint 还会更复杂。

大模型参数、梯度和 optimizer state 可能被切到不同 rank 上：

TP shard
PP shard
DP shard
ZeRO optimizer shard
FSDP shard

这意味着某个 rank 保存的文件，可能只是完整训练状态的一部分。恢复训练时，框架需要根据并行策略重新组合或重新分发这些 shard。

例如 ZeRO / FSDP 训练中，每张卡可能只保存自己负责的参数 shard 和 optimizer shard。这样可以降低单卡内存和存储压力，但也带来两个问题：

1. checkpoint 文件数量更多，目录结构更复杂。
2. 更换 world size、并行策略或框架版本时，恢复和转换成本更高。

所以在大规模训练里，checkpoint 不只是“保存一下文件”，而是训练系统设计的一部分。保存频率、异步写盘、分片格式、对象存储、校验、清理策略都会影响训练稳定性和集群效率。

14. Checkpoint 和 KV Cache 不是一回事#

推理里很容易把 checkpoint、KV cache、prefix cache 混在一起。它们不是同一种东西。

在 vLLM 这类推理系统里，可以这样理解：

服务启动时：加载 checkpoint，模型参数固定在显存中
请求进来后：prefill 阶段产生 KV cache
decode 阶段：复用并更新 KV cache

Checkpoint 是模型本身。KV cache 是模型处理某次请求时产生的中间状态。前者长期存在，后者动态产生。

15. Activation Checkpointing 又是什么#

还有一个容易混淆的概念叫：

activation checkpointing
gradient checkpointing

它和保存模型 checkpoint 不是一回事。

Activation checkpointing 是一种训练省显存技术。正常训练时，前向传播会保存大量 activation，反向传播时直接使用。activation checkpointing 的思路是：

前向时少保存一些 activation
反向时重新计算一部分 activation
用计算时间换显存空间

它的作用是降低显存占用，让训练更大的模型或更大的 batch size 成为可能。代价是训练速度会变慢。

所以它名字里也有 checkpoint，但不是把模型保存到磁盘，而是在训练计算图里选择性保存中间激活。

16. 在 vLLM 推理里怎么理解 Checkpoint#

如果你看到这样的命令：

vllm serve /data/models/Qwen3-32B-w8a8-sq/

可以把它理解成：

加载一个已经训练好或量化好的推理 checkpoint

vLLM 要做的事情大致是：

1. 读取 checkpoint 权重和 config
2. 根据 config 构建模型结构
3. 加载 tokenizer 和 generation config
4. 将权重加载到设备显存
5. 按 tensor parallel / pipeline parallel 切分权重
6. 处理量化权重的加载和 kernel 路径
7. 创建 KV cache 管理器
8. 接收请求并执行 prefill / decode

在这个链路里，checkpoint 本身通常不变。推理优化更多发生在这些地方：

权重加载方式
权重分片方式
量化格式
算子实现
KV cache 管理
调度策略
并行通信

也就是说，checkpoint 是推理系统的输入资产；vLLM、TGI、SGLang 这类 serving 框架的工作，是把这个资产高效加载、切分、调度并执行起来。

17. 和 GGUF、ONNX、TensorRT Engine 的区别#

.safetensors 不是唯一的模型格式。不同格式服务于不同生态和阶段。

.safetensors 更像通用权重存储格式；GGUF 更偏 llama.cpp 推理生态；ONNX 更偏跨框架计算图；TensorRT engine 则是已经针对特定硬件和 shape 编译优化后的产物。

18. 简单读取 .safetensors#

如果想看一个 .safetensors 文件里有哪些 tensor，可以用 safetensors Python 包：

from safetensors import safe_open
 
path = "model-00001-of-00016.safetensors"
 
with safe_open(path, framework="pt", device="cpu") as f:
    print("metadata:", f.metadata())
 
    for name in f.keys():
        tensor = f.get_tensor(name)
        print(name, tensor.shape, tensor.dtype)

如果只想看 keys，可以这样：

from safetensors import safe_open
 
with safe_open("model.safetensors", framework="pt", device="cpu") as f:
    for key in f.keys():
        print(key)

保存一个简单的 .safetensors 文件：

import torch
from safetensors.torch import save_file
 
tensors = {
    "linear.weight": torch.randn(4096, 4096, dtype=torch.float16),
    "linear.bias": torch.randn(4096, dtype=torch.float16),
}
 
save_file(tensors, "model.safetensors")

这类代码适合做权重检查、格式转换和模型目录排查。但真正的大模型加载，通常交给 Transformers、vLLM 或训练框架的 model loader 处理。

19. 常见误区#

误区一：Checkpoint 就等于 .safetensors#

不准确。

Checkpoint 是概念，.safetensors 是保存 checkpoint 权重的一种文件格式。一个完整推理 checkpoint 目录通常还需要 config.json、tokenizer、index file 和生成配置。

误区二：.safetensors 是模型结构文件#

不是。

.safetensors 主要保存权重 tensor。模型结构通常由 config.json 和框架里的模型实现决定。

误区三：.safetensors 一定是量化模型#

不是。

.safetensors 只是存储格式，可以保存 FP32、FP16、BF16、INT8、FP8、W4A16、W8A8 等不同 dtype 或量化权重。具体是不是量化模型，要看 config.json、quantization_config、目录名和加载器逻辑。

误区四：.safetensors 可以防止模型被盗#

不能。

它不是加密格式。只要别人拿到文件，就可以读取里面的权重 tensor。safe 指的是反序列化加载更安全，不是访问控制、防逆向或版权保护。

误区五：.safetensors 一定让推理 token/s 更快#

不一定。

它更直接影响的是模型启动加载、权重分发和多卡加载阶段。真正 decode 阶段的 token/s 主要取决于 attention kernel、GEMM、KV cache 管理、调度策略、显存带宽、通信性能和量化 kernel。

20. 总结一句话#

Checkpoint 是大模型在某个阶段留下的状态资产：训练时它用于恢复和继续优化，推理时它用于加载权重和部署服务。

如果再把 .safetensors 放进来，可以这样记：

checkpoint 是概念；
weights 是 checkpoint 中最核心的参数；
.safetensors 是保存 weights 的主流安全文件格式；
model directory 是 config、tokenizer、weights 和 index 的完整交付目录。

在 AI Infra 里，checkpoint 连接了训练、微调、评估、量化、部署和推理优化。训练系统关心它能不能快速、稳定、完整地保存和恢复；推理系统关心它能不能安全、高效、正确地加载到设备上。

所以，理解 checkpoint，不只是知道“模型权重在哪里”，更是在理解大模型从训练到上线之间最重要的交付边界。

参考资料#

1. Hugging Face, Safetensors: https://huggingface.co/docs/safetensors/en/index
2. Safetensors GitHub, Format and implementation: https://github.com/huggingface/safetensors
3. PyTorch Foundation, Safetensors: https://pytorch.org/projects/safetensors/
4. Hugging Face Transformers, Big model loading and sharded checkpoints: https://huggingface.co/docs/transformers/v4.44.2/big_models
5. Hugging Face TGI, Safetensors: https://huggingface.co/docs/text-generation-inference/conceptual/safetensors
6. vLLM, Loading model weights with fastsafetensors: https://docs.vllm.ai/en/stable/models/extensions/fastsafetensor/