集群是 8 个节点、每节点 8 卡，节点内 NVLink 高带宽，节点间只有 25Gbps 以太网。现在要训一个 70B 模型。请说明你会怎么组合数据并行、张量并行、流水并行（各维并行度大概取多少），并且解释每一维并行为什么必须/可以放在对应的互联层级上。

面试官在考什么

考察是否理解三种并行各自的通信模式与通信量，从而能做拓扑感知的并行策略设计，而不是只会调并行度参数。

数据并行/模型并行

回答框架 · 前两步

1. 张量并行把单层的权重矩阵按行/列切开，每层前向/反向都要做 all-reduce 或 all-gather，通信频率高、量大，必须压在高带宽的 NVLink 域内，通常 TP ≤ 8（即不跨节点）。
2. 流水并行把模型按层切成若干 stage，只在 stage 边界传 activation，通信量小、频率低，可以跨节点；代价是 bubble 和调度复杂度。

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。