你有 32 张 80GB GPU，训练 13B 参数模型，AdamW + bf16 混合精度，目前纯 DDP OOM。不能加卡。请做显存拆解，并选择 ZeRO-1/2/3 和 activation checkpointing 的组合。为什么不是直接上 ZeRO-3？如果节点内高带宽、节点间带宽有限，你的选择会怎么变？

面试官在考什么

判断候选人能否拆解训练显存构成，按瓶颈选择分片策略，并权衡通信、吞吐和扩展性。

分布式训练(DDP/ZeRO)

回答框架 · 前两步

1. 显存拆解：bf16 参数约 26GB，fp32 master 约 52GB，Adam m/v 约 104GB，bf16 梯度约 26GB，合计约 208GB/卡；激活另算，随 batch 和 seq len 增长。
2. 优先 ZeRO-1 分片优化器状态，节省最大头，通信相对 DDP 增加有限；若梯度也爆，再 ZeRO-2 分片梯度+优化器状态，用 reduce_scatter 替代 all_reduce。

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。