你训练一个 1B 模型到第 30k step 时，loss 从 2.1 突然跳到 5.6，之后一直没降回来。你手头有每 1k step 的 checkpoint、学习率 schedule 记录，以及逐步的 grad norm 日志。请给出你的排查顺序和处置方案，并说明常见的 loss spike 成因里，哪些可以从这些日志里区分开来。

面试官在考什么

考察是否有一套可执行的稳定性排查流程，能靠日志区分成因并做出回滚、跳数据等具体动作，而不是只会「调小学习率」。

训练稳定性

回答框架 · 前两步

1. 先读日志：spike 前 grad norm 是否已经持续抬升（指向 lr 过大或数据分布漂移）；还是 grad norm 平时平稳、spike 那一两步突然巨大（指向个别异常 batch 或 fp16 溢出）。
2. 处置优先级：从 spike 前最近的 checkpoint 恢复（模型权重 + 优化器状态一起），跳过或打散那段数据，观察是否在同一位置复现；若复现则更可能是数据，不复现则更可能是随机数值事件。

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。