一个模型预训练时序列长度是 4K，RoPE 的 base(θ)=10000。现在想让它支持 32K 上下文。请判断：只在推理时把 max_position_embeddings 改成 32768 行不行，为什么？主流的扩展做法有哪几类，它们分别改的是哪个量？做完位置扩展之后，通常还需要补什么数据才能真的用起来？

面试官在考什么

判断候选人是否理解 RoPE 位置外推失败的原因，以及『位置编码能扩展』和『模型真的具备长上下文能力』不是一回事。

上下文窗口

回答框架 · 前两步

1. 不行。RoPE 每个维度对应一个固定频率，训练时只见过 4K 范围内的相位，超出后模型遇到的是从未见过的相位组合，attention 打分失准，超过训练长度后困惑度会急剧上升
2. 位置插值（PI）：把位置除以扩展倍数 s，把 32K 压缩回 4K 范围内，代价是短距离分辨率被牺牲，一般需要少量继续训练恢复

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？