你要在 8 张 80GB 的卡上训练一个 7B 参数的模型，Adam 优化器、fp16 混合精度，集群内是普通互联。请先估算朴素 DDP（每卡一份完整模型 + 完整优化器状态）大约需要多少显存、放不放得下；如果放不下，ZeRO 的 stage 1/2/3 分别切分哪些状态、每阶段大致省掉哪部分显存、代价是什么；最后给出你的方案选择和理由。

面试官在考什么

考察能否把显存账算清楚，并知道 ZeRO 每一阶段切的是什么、拿什么换的，而不是背「ZeRO-3 最省显存」。

分布式训练(DDP/ZeRO)

回答框架 · 前两步

1. 显存账：7B 的 fp16 权重约 14GB；Adam 的 fp32 master weight 28GB + 一阶动量 28GB + 二阶动量 28GB；再加 fp16 梯度约 14GB，合计约 110GB 以上，单卡 80GB 放不下。
2. ZeRO-1 只切优化器状态（按 DP 度切分），ZeRO-2 在 1 的基础上再切梯度，ZeRO-3 再把参数本身也切分，forward/backward 时按需 all-gather。8 卡下每阶段的显存节省大致成比例放大。

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。