【AI大模型】Checkpoint 保存策略：训练到一半断电了也不怕写在前面：训练是长跑，随时能“存进度”才安心大模型微调常常要跑几个小时甚至几天。最怕的就是训练到一半断电、断网、显存 OOM，进度全部清零。解决办法就是 Checkpoint（检查点）——定时把训练进度存盘，断了也能从最近保存点接着跑。本文讲透 Checkpoint 策略：保存什么 → 多久存一次 → 保留哪些 → 怎么断点续训 → 一段可运行配置。一、Checkpoint 里到底存了什么Checkpoint 不是只存“模型权重”，要能恢复训练，需要存：模型参数——当前模型权重。优化器状态——Adam 的动量等，丢了会影响收敛。学习率调度器状态——当前在调度曲线的哪个位置。训练轮次/步数——从第几步继续。一句话：完整的 Checkpoint 是“训练现场快照”，能无损恢复整个训练状态。二、保存频率怎么定保存频率是“恢复粒度”和“磁盘/时间开销”的折中：策略说明适用