一个稠密模型训练到中后期，loss 大部分平稳，但每几千步出现一次尖峰，梯度范数日志显示偶尔从常态跳两个数量级；同时你们开了混合精度。团队现在用 global norm clipping，clip 值是一个很久以前调好的常数。你要不要动这个值、怎么动？裁剪应该在 micro-batch 上做还是梯度累加之后做、在 all-reduce 之前还是之后做？你怎么区分尖峰来自真实梯度爆炸、loss scaling 溢出、脏数据还是通信异常？

面试官在考什么

判断候选人能否把梯度裁剪放进混合精度加分布式的完整链条里定位和设计，而不是单点调一个超参。

梯度裁剪

回答框架 · 前两步

1. 先分类根因：真实梯度爆炸（数据或优化器问题）、loss scaling 溢出前的数值抖动、某些 rank 的数据异常、通信或累加误差，这三类在 per-rank 曲线上的形态不一样。
2. 裁剪位置：在梯度累加完成后的全局梯度上做；分布式下要保证所有 rank 用同一个系数，通常在 all-reduce 前统一算全局范数或做等价的一致性处理。

延伸阅读

• 技术面到底在考什么：三类考点的及格线与加分线
• 从「背过」到「能选型」：原理的三层准备法

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。