8 卡 DDP 训练 1B 模型，梯度累积 4 步，global batch size 512。最近 loss spike，你加了 clip_grad_norm_=1.0。日志显示大多数 step 全局梯度范数 0.2-0.5，但偶尔某张卡局部范数 5-10，训练变慢且收敛变差。问：clip 应放在 loss.backward() 后、每个 micro-batch、还是 optimizer.step() 前？DDP all_reduce 与 clip 的先后顺序是什么？梯度累积时 global norm 要不要除以累积步数？
面试官在考什么
判断候选人是否理解梯度裁剪的时机、DDP 同步语义、梯度累积下的全局范数计算，以及 clip 阈值选取。
回答框架 · 前两步
- 默认在 optimizer.step() 前、所有 micro-batch 反向累积完成且 DDP all_reduce 之后，对全局参数计算总范数再裁剪。
- 梯度累积若用 no_sync，多步只累积本地梯度，最后一步再 all_reduce；global norm 应基于最终准备送入 optimizer 的梯度。
还有 3 条答案要点、 3 层追问、 5 个常见坑， 以及针对你简历的追问路径，在定制报告里。
延伸阅读
想看这个方向的整体准备路线？ 进入「深度学习基础」方向页
同一能力域的其他题
- 训练一个深度学习模型时，loss 突然变成 NaN，你会按什么顺序排查？请给出你的排查清单。
- 显存不够时你会怎么办？请按"最小改动到最大改动"排序给出你的方案。
- 你的模型离线指标很好但线上效果很差，你会从哪些角度排查？请按优先级说。
- 梯度裁剪是解决什么问题的？按值裁剪和按范数裁剪有什么区别？裁剪阈值你会怎么定？
- 模型参数量、FLOPs、显存占用、推理延迟这四个指标之间是什么关系？为什么参数量小的模型有时反而更慢？
- 你要在 A100 上训练一个 1B 参数的语言模型。用 fp16 + GradScaler 的 AMP 方案时，loss 能降但曲线比纯 fp32 抖动明显，大约 2000 步时突然出现溢出、之后又恢复。同事说「直接换 bf16 就行了，bf16 比 fp16 精度高」。请回答三件事：(1) fp16 和 bf16 在指数位/尾数位上到底差在哪；(2) 为什么 bf16 通常不需要 loss scaling 而 fp16 需要；(3) 换成 bf16 后你预期抖动、溢出和最终收敛会怎么变，代价是什么。