一句话定义：模型检查点（Checkpoint）是训练过程中每隔一段步数就“另存为”的一份完整训练状态快照，用来断点续训、回退到出问题之前，或者作为后续微调的起点。
为什么一个文件能大到几十 GB
很多人以为检查点里装的就是训练出来的模型参数，那按常理不该那么大。问题就在于：它装的远不止参数。一个典型的训练检查点通常包含三块东西：
1. 模型权重（weights）：也就是模型真正“学会”的那堆数字。
2. 优化器状态（optimizer state）：如果用的是 Adam 这类优化器，它会给每个参数额外记两份统计量，作为下一步更新的依据。这部分往往比权重本身还大。
3. 训练元数据：当前跑到第几步、学习率调度到哪儿了、随机种子、混合精度用的缩放系数等，缺了这些，续训就接不上。
算一笔粗账：AI 词典：混合精度训练">混合精度训练时，权重往往要留一份低精度副本、一份高精度主副本；优化器再给每个参数配两份高精度状态；再加上梯度。粗算下来，每个参数要占十几到二十个字节以上。参数规模上到十亿量级，一个检查点就是几十 GB 起步，到百 GB 量级也不稀奇。
打个生活化的比方：写长篇小说时，你每隔十页就“另存为”一个新文件。文件里不只有正文，还有你的大纲、人物设定表、改稿记录——因为只有这些东西都在，你才能接着往下写。所以存档比最后出版的成书大得多。成品书就是发布出去用于推理的权重文件，存档则是训练检查点。
和相邻概念的区别
| 名称 | 存了什么 | 体积量级 | 用途 |
|---|---|---|---|
| 训练检查点 | 权重 + 优化器状态 + 训练元数据 | 最大 | 续训、回退、做微调起点 |
| 发布权重 | 只有权重，常已压缩降精度 | 小很多 | 推理部署 |
| LoRA 适配器 | 只存新增的小矩阵 | 很小 | 低成本定制 |
关键差异：优化器状态只对“还要继续训练”有用。一旦决定不再训了，这部分就可以丢掉，体积能腰斩甚至更多。这也是为什么同一个模型的检查点和发布版本，下载大小差得离谱。
对从业者和普通人的意义
对训练侧的人来说，检查点频率是个成本权衡：存太勤，磁盘和网络带宽吃不消；存太疏，一次崩溃可能白烧几小时算力。实践上通常会保留“最新的”和“指标最好的”两类，并且保存动作本身要尽量避免阻塞训练。删检查点是个危险操作，删之前先确认最优那份已经落盘。
对普通职场人来说，它解释了两件事：为什么大模型训练这么烧钱——不只是算力，还有海量存储和搬运；以及为什么“下载一个模型”经常是几十 GB 起步的事情，而不是几百 MB 的文件。具体某个框架存了哪些字段、什么格式，各版本会有差异，以官方文档为准。