你构造 SFT 数据时，把 system prompt、user 问题、assistant 回答拼成一条完整序列，训练时对整个序列算交叉熵 loss（没有 mask 掉 prompt 部分）。请判断这样训出来的模型会有什么问题、为什么；再说清在什么情况下这个『错误』的负面影响反而不大，以及 multi-turn 数据里 loss mask 应该怎么切。

面试官在考什么

判断候选人是否真的自己写过 SFT 训练脚本、是否理解 loss mask 背后的因果（梯度被哪些 token 主导），而不是只知道『要 mask』这个结论。

SFT

回答框架 · 前两步

1. 对 prompt 也算 loss，等于让模型去预测用户的问句，把梯度花在建模输入分布上，而不是输出分布上
2. 后果是模型容易复读用户问题、回答变短敷衍、把 system prompt 原样吐出来，对齐信号被稀释；prompt 占比越高的数据越严重

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？