训练一个 100B 参数、序列长度 8k 的模型，64 张 GPU。节点内互联带宽高，节点间带宽只有节点内的 1/4。请给出并行策略：TP、PP、DP、ZeRO 各设多少？放在节点内还是节点间？micro-batch 和梯度累积怎么配？为什么？

面试官在考什么

判断候选人能否按通信密度和拓扑匹配并行策略，理解 TP/PP/DP 的切分对象、通信模式和气泡、负载均衡。

数据并行/模型并行

回答框架 · 前两步

1. 100B 参数单卡放不下，纯 DP 不可行；TP 通信最密集，应放节点内，常见 TP=8；PP 通信较松，可跨节点，用 PP=8 把 64 卡切成 8x8。
2. 若显存仍紧，在 DP 维度加 ZeRO-1/2 分片优化器状态和梯度；DP 的 all_reduce/reduce_scatter 跨节点会受带宽限制，因此 DP 组尽量同节点或减少跨节点 DP。

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。