SFT 用了 5 万条指令数据，数据格式高度统一：助手回答都以同一句固定开场白开头，且相当大比例是 JSON 输出。训 3 个 epoch 后 train loss 0.35、同分布 held-out loss 0.42。人工评测发现问题：模型对闲聊类问题也开始加那句开场白，开放式回答多样性明显变差，选择题准确率还掉了 3 个点。你怎么定位原因，按什么顺序改？

面试官在考什么

考察候选人在 SFT loss 与下游表现脱节时，能否从数据分布、loss mask、epoch 三个方向做有序归因，而不是盲目调超参。

SFT

回答框架 · 前两步

1. 首要怀疑是数据分布单一 + epoch 过多导致的格式过拟合与模式坍缩，而不是学习率或容量问题；train loss 持续降、held-out 同分布 loss 也不高，但行为指标退化，是典型信号。
2. 检查 loss mask：如果 prompt 部分也参与了 loss，固定前缀会被反复强化，模型会把「输出那句开场白」当成高概率路径。正确做法是只在 answer token 上算 loss。

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？