代码管理基石：Git与GitHub/GitLab在大模型项目中的高级实践

002、代码管理基石：Git与GitHub/GitLab在大模型项目中的高级实践

上周团队里一个实习生跑来找我，说他的大模型微调实验代码“回不去了”。他手头有三个版本的模型参数文件，每个都超过10GB，混在代码目录里一起提交到了Git。现在仓库膨胀到快50GB，clone一次要半小时，想清理历史记录却无从下手。我看着他满屏的git push失败提示，叹了口气——这场景太典型了。

大模型项目的代码管理，远不止是git add和git commit那么简单。当你面对动辄几十GB的权重文件、数百个实验分支、复杂的预处理流水线时，传统的Git工作流会迅速崩溃。今天我们就聊聊怎么让Git在这样极端的环境下，依然能成为可靠的基石。

权重文件：别让它们进版本库

这是第一条血泪教训：永远不要把模型权重文件（.bin、.pth、.h5等）直接提交到Git仓库。Git本质上是个文件版本系统，每次提交都会保存文件的完整快照。一个20GB的权重文件，你稍微改几行代码重新提交一次，仓库体积就可能变成40GB。不出一个月，你的仓库就会臃肿到无法操作。

正确的做法是用.gitignore彻底屏蔽：

# 模型权重和检查点 *.bin *.pth *.h5 *.safetensors checkpoints/ experiments/*/weights/ # 数据集缓存文件 *.arrow *.lock data/cache/