模型大到单层或单个 expert 已经放不进单卡，团队在争论：继续堆数据并行、上张量并行（TP）、还是上流水并行（PP）。你们集群节点内带宽高、节点间带宽是节点内的十分之一量级。给定总卡数，你怎么决定 DP/TP/PP 三个度的组合？TP 度为什么通常压在节点内？PP 的 bubble 你怎么算、怎么压？以及这套并行配置怎么做到不同业务、不同规模能复用，而不是每次重调？

面试官在考什么

判断候选人能否按切分维度、通信频次和网络拓扑设计并行组合，并具备把并行配置产品化、跨业务复用的架构判断。

数据并行/模型并行

回答框架 · 前两步

1. DP 复制整模型、切数据；TP 切单层内的矩阵（列切加行切，前向和反传都要 all-reduce 或 all-gather）；PP 把层分到不同 stage，只在边界传激活。
2. 通信特性决定放置：TP 通信频次高、延迟敏感，通常限制在节点内高带宽域；PP 通信量小但有 bubble，需要 micro-batch 填充。

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。