一个 32 层 decoder-only 模型，hidden_size=4096，attention head 数 32，KV head 数 8（即 GQA），FP16 推理。现在 batch_size=4、序列长度 8192。请算出 KV cache 占多少显存；如果把 GQA 换成 MHA（32 个 KV head），显存变成多少；并解释为什么现在的模型普遍用 Pre-LN + RMSNorm，而不是原始论文的 Post-LN + LayerNorm。

面试官在考什么

判断候选人是否真的手算过推理显存，而不是只会背 GQA/Pre-LN 这些名词。

Transformer 变体

回答框架 · 前两步

1. KV cache = 2(K和V) × 层数 × KV head 数 × head_dim × seq_len × batch × dtype字节。head_dim = 4096/32 = 128，代入得 2×32×8×128×8192×4×2 ≈ 4 GiB。
2. 换成 MHA 后 KV head 从 8 变 32，显存 ×4 ≈ 16 GiB。GQA 的本质是让多个 query head 共享一组 K/V，直接压缩 KV cache。

延伸阅读

• 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「NLP 与大模型」方向页

同一能力域的其他题

• 微调一个大模型时，LoRA 相比全参微调省在哪里？rank 怎么选？为什么它可以在推理时合并回原权重？
• 请说明 SFT、RLHF、DPO 各自解决什么问题。为什么有了 RLHF 还要提 DPO？
• 长文本场景下，上下文窗口装不下时你会怎么办？请对比"截断、分块递归总结、检索"三种方案的代价。
• 你要用大模型做一个每天数百万次调用的线上功能，成本和延迟怎么压？请给出你的优化优先级。
• 一个 7B 稠密模型，预训练上下文 4K，现在要支持 32K 推理。模型结构：32 层、32 个注意力头、head_dim=128。服务端 8×A100 80G，batch size 固定 16，FP16 权重 + FP16 KV cache。两个问题：(1) 注意力从 MHA 换成 GQA（8 个 KV 头）前后，32K 上下文下单批 KV cache 各是多少？(2) 4K→32K 的位置外推你会选哪种方案，代价是什么？
• 你们要从零训一个 30B 级中文基座，训练预算约 200 张 A800、2 个月，线上目标 1k QPS 长文问答，平均输入 8k token、输出 300 token。架构上你会选 dense 还是 MoE？Attention 用 MHA、MQA、GQA 还是 MLA？请给出选型、关键数量级估算，以及你怎么向老板解释这个取舍。