你有一个 7B 基座模型、2000 万条领域无标注文本（论坛帖、文档、问答帖混在一起）和 5 万条人工标注的领域问答对，要做一个领域问答助手。请给出你的训练流程：在拿标注数据做 SFT 之前，需不需要先做领域继续预训练（CPT）？两个阶段分别用什么数据形态、什么损失、学习率谁大谁小？并具体说出如果跳过 CPT 直接 SFT，哪一类问题会明显变差。

面试官在考什么

判断候选人是否分得清『注入知识/适配分布（预训练）』与『对齐输出格式/指令跟随（SFT）』这两件事，而不是把所有问题都当成微调能解决。

预训练与微调

回答框架 · 前两步

1. CPT 用无标注纯文本，损失仍是自回归语言建模（预测下一个 token），作用是把模型分布拉到领域语料上、注入领域词汇与知识；学习率通常比 SFT 更保守，1e-5 量级
2. SFT 用 prompt→response 的标注对，损失只算在 response（assistant）token 上，教的是按问答格式输出和指令跟随，学习率常见 1e-5~2e-5

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？