团队要做垂直领域（例如判例文书）的 13B 模型。手上资源：去重后的领域语料 2B token、通用指令数据 20 万条、8×A100 80G，训练预算只够跑一次约 5 天的大规模训练。你会在「领域继续预训练（CPT）+ SFT」和「直接拿通用底座做 SFT」之间怎么选？如果选 CPT，通用数据 replay 的比例怎么定，凭什么定这个数？

面试官在考什么

考察候选人能否区分「注入知识」和「改变行为」两类目标，并为 CPT 的遗忘风险设计可观测的配比与评估方案。

预训练与微调

回答框架 · 前两步

1. 先判断目标：如果缺的是领域术语、长文风格、专业表达，CPT 有价值；如果缺的只是「怎么答、按什么格式答」，SFT 就够，不必付出遗忘代价。
2. 规模上 2B token 对 13B 模型约 150 token/param，属于轻量 CPT，通常 1 epoch 以内即可，learning rate 应比预训练低一个量级（约 1e-5~5e-5），不是越多越好、越久越好。

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？