你手上有一个开源 7B base 模型（预训练语料以英文通用为主），现在有 20B token 的垂直领域语料和 200B token 的通用语料。业务要求先做领域继续预训练，再做 SFT。请给出你的训练配比、学习率区间和停止判断依据，并说明你会用什么方法判断通用能力有没有被“冲掉”。

面试官在考什么

判断候选人是否真的独立跑过继续预训练，知不知道 replay、学习率量级和灾难性遗忘的检测方式。

预训练与微调

回答框架 · 前两步

1. 不能 100% 用领域语料，通常混 10%~30% 通用语料做 replay，防止分布偏移过大导致灾难性遗忘。
2. 继续预训练的学习率比 from-scratch 低 1~2 个量级，常见 1e-5 ~ 5e-5，cosine decay 到 0，warmup 1%~3%，训 1~2 个 epoch 即可。

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 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。
• 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？