你们把一个已经稳定跑通的 DDP 训练任务迁到 ZeRO-3/FSDP，模型终于放得下了，但单步耗时反而变长、扩卡到两倍卡数吞吐只涨了不到三成。集群是节点内带宽高、节点间带宽是节点内的十分之一量级，模型是百亿级稠密模型。你要定位问题并给出下一步演进路线：什么条件下你会退回去用 ZeRO-1/2，或者干脆保留 DDP？你怎么向业务方解释「显存换通信」这笔账？

面试官在考什么

判断候选人能否在显存、通信、吞吐、成本之间做系统级取舍，并给出可演进的分布式路线，而不是默认分片越多越好。

分布式训练(DDP/ZeRO)

回答框架 · 前两步

1. DDP：每卡保留完整参数副本，反传时做 bucket 化的梯度 all-reduce 并与计算重叠；显存随参数量线性增长。
2. ZeRO 分阶段：1 分优化器状态、2 再分梯度、3 再分参数；显存递减但通信量递增，参数分片还会在前向和反传引入 all-gather。

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。