训练 1B 模型，8 卡 bf16，AdamW，lr 3e-4，warmup 2%。到约 10k step 时 loss 从 2.3 跳到 8.5，随后 NaN；grad norm 从 0.8 跳到 12。已加 clip=1.0 仍 NaN。你会按什么顺序排查？先做哪三件事？怎么区分数据脏、数值溢出、超参问题？如何从 checkpoint 恢复？

面试官在考什么

判断候选人能否系统定位 loss spike/NaN 根因，区分数据、数值、优化器、并行和超参，并给出可恢复的工程处理。

训练稳定性

回答框架 · 前两步

1. 先定位 NaN 出现在哪：forward、loss、backward 还是 optimizer step；打开异常检测或逐层 hook，记录激活、梯度、参数更新范数。
2. 检查数据：是否某 batch 有极端长序列、空标签、重复或脏样本；按 rank 记录 batch id、loss、grad norm，定位是否单卡单样本。

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。