10 个业务方各需要一套客服风格，共享一个 13B 基座，线上要求 P99 < 500ms、多租户。你会用 LoRA 还是全量微调？rank、alpha、target modules 怎么定？服务端怎么部署和隔离？

面试官在考什么

判断候选人能否在多租户、低延迟、多业务方的约束下，把 LoRA 的容量选择、服务架构和升级路径讲清楚。

LoRA

回答框架 · 前两步

1. 选 LoRA：10 个租户共享基座，存储和切换成本低；全量微调 10 份 13B 不现实。
2. rank/alpha/target：客服风格任务 rank 8-32 常够；target modules 至少 q_proj/v_proj，效果不够扩到 all-linear；alpha 通常与 rank 联动设置。

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？