🎯 基础架构类
Transformer核心
Q: 解释Transformer中的自注意力机制
A: 自注意力机制通过计算序列中每个位置与其他位置的关联权重，使模型能够捕获长距离依赖关系。核心公式：
Attention(Q,K,V)=softmax(
d
k
QK
T
)V
Q: 为什么使用多头注意力而不是单头？
A: 多头注意力允许模型同时关注不同子空间的信息，每个头可以学习不同类型的关系，提高模型表达能力。
Q: 位置编码的作用是什么？有哪些类型？
A: 为模型提供序列位置信息，因为注意力机制本身不包含位置概念。包括绝对位置编码（可学习、Sinusoidal）和相对位置编码（RoPE、ALiBi）。
Q: Attention计算中为什么要除以
d
k
?
A: 为了避免当维度
d
k
的值较大时， Q 和 K 的点积结果变得过大，方差变得过大，使softmax函数的结果趋向于极端值（极大值为1 ，其余为0），进而导致梯度消失的问题，影响模型训练的效果。Q: 那为什么不选择其他数，要选
d
k
?
A: 因为希望 Q 和 K 的点积结果期望为0，方差为1。当 Q 和 K 的元素是均值为 0、方差为 1 的独立随机变量时， Q 和 K 的点积的均值为 0，方差为
d
k
，Q 和 K 的点积结果除以
d
k
可以使得点积的方差为1，点积的输出范围更集中，从而控制输入 softmax 的数值范围，避免其输出极端化，从而保留梯度的有效性
的方差是d需要除d的平方根，才能让点积方差为1。
模型架构类
Q: LLaMA和GPT架构的主要区别？
A: 主要区别在于：
LLaMA使用RMSNorm和SwiGLU激活函数
LLaMA使用RoPE位置编码
LLaMA开源，GPT闭源
Q: Encoder-Only、Decoder-Only、Encoder-Decoder架构分别适合什么任务？
A:
Encoder-Only：理解任务（分类、NER）
Decoder-Only：生成任务（文本生成、对话）
Encoder-Decoder：序列到序列任务（翻译、摘要）
⚙️ 训练优化类
Q: 解释LoRA微调的原理和优势
A: LoRA通过低秩分解模拟全量微调，将权重更新表示为低秩矩阵乘积：ΔW = BA。优势：
减少可训练参数（1-10%）
保持模型质量
易于部署和切换
Q: ZeRO-1、ZeRO-2、ZeRO-3的区别？
A:
ZeRO-1：优化器状态分片
ZeRO-2：优化器状态+梯度分片
ZeRO-3：优化器状态+梯度+参数分片
Q: FlashAttention如何优化内存使用？
A: FlashAttention通过IO感知的算法设计，减少HBM访问次数，将内存复杂度从O(N²)降低到O(N)，同时保持精确注意力。
🚀 推理部署类
Q: 如何估算大模型的显存需求？
A: 显存需求包括：
模型参数：参数量 × 精度字节数
激活值：取决于batch size和序列长度
优化器状态：参数量的2-4倍
KV缓存：序列长度 × 层数 × 隐藏维度
Q: 模型量化的原理和常见方法？
A: 量化将浮点权重转换为低精度整数，常见方法：
权重量化：INT8、INT4
激活量化：动态量化
量化感知训练：QAT
📊 实战计算题
计算题1：训练显存估算
题目：一个7B参数的FP16模型，batch_size=4，seq_len=2048，估算推理显存需求？
解答：
模型参数：7B × 2字节 = 14GB
KV缓存：2048 × 32层 × 4096维度 × 2 × 4 = 2GB
激活值：约1-2GB
总计：约17-18GB
计算题2：训练时间估算
题目：使用1000张A100训练175B模型，数据量300B tokens，估算训练时间？
解答：
单卡算力：312 TFLOPS
有效算力：约30%利用率
计算量：6 × 175B × 300B = 3.15×10²³ FLOPs
训练时间：约3-4个月
计算题3：如何估算模型kv_cache显存占用量？
题目：假设模型中有 n_layers 个层块。每个层块中有一个多头注意力层。每个多头注意力层有 n_heads个注意力头，每个头的 k 和 v 的尺寸为 d_head。
最大上下文长度为 n_context。精度为 n_bytes，例如对于 FP32 是 4。推理时的批量大小为 batch_size。
解答：
kv_cache显存占用量 = 2 × n_bytes × n_layers × batch_size × n_context × n_heads × d_head
⚙️ 显存估算
训练显存估算
训练的时候 GPU 显存占用一共包括 4 个部分：模型参数，梯度，优化器状态，激活值。 假设模型参数量是 θ
模型参数：假设模型的参数量是 θ，参数精度是BF16/FP16，即每个参数占用两个字节，那么推理时候参数占用的显存是2θ 字节（前向传播），现在的大模型训练基本上会使用混合精度训练，混合精度训练时需要备份一份FP32的参数，用于模型参数更新，需要4θ 字节
梯度：梯度内存的大小与模型的参数数量有关，因为每个参数都需要计算对应的梯度。因此梯度量一般等于模型参数量，假设模型参数量是 θ，参数精度是BF16/FP16，那么梯度量是2θ 字节
优化器状态：现在的大模型训练基本上会使用混合精度训练和AdamW优化器，AdamW优化器需要存储动量（momentum）、二阶矩（variance）等状态，且由于混合精度训练， 优化器中的参数精度是FP32，因此优化器状态占用的显存是2 4 θ 字节
激活值：用于存储神经网络在前向传播过程中计算的中间值，这些激活值在反向传播过程中需要被重用，以计算关于模型参数的梯度。激活内存的大小与网络的深度和输入数据大小（batch size）有关。更深的网络和更大的 batch size 会导致更大的激活内存需求。
总显存占用量 = 模型参数量 + 梯度 + 优化器状态 + 激活值 + 其他显存占用量
参考：大模型消耗的显存
推理显存估算
大模型推理时的显存占用量主要取决于：
模型参数：假设模型的参数量是 θ，参数精度是BF16/FP16，即每个参数占用两个字节，那么推理时候参数占用的显存是2θ 字节
kv_cache显存占用量：假设模型中有 n_layers 个层块。每个层块中有一个多头注意力层。每个多头注意力层有 n_heads个注意力头，每个头的 k 和 v 的尺寸为 d_head。最大上下文长度为 n_context。精度为 n_bytes，例如对于 FP16 是 2。推理时的批量大小为 batch_size。那么推理时候参数占用的显存是：2 × n_bytes × n_layers × batch_size × n_context × n_heads × d_head
总显存占用量 = 模型参数量 + kv_cache显存占用量 + 其他显存占用量
🎯 开放性问题
Q: 如何解决大模型的幻觉问题？
A: 多种策略结合：
数据质量提升
RLHF对齐训练
知识增强（RAG）
事实核查机制
Q: 如何评估大模型的安全性？
A: 多维度评估：
有害内容检测
偏见测试
鲁棒性测试
隐私泄露测试
Q: 大模型在垂直领域如何落地？
A: 完整流程：
领域数据收集
继续预训练
指令微调
强化学习对齐
评估和优化
📚 面试技巧
回答框架
定义：清晰解释概念
原理：说明工作机制
优缺点：客观分析
应用：结合实际场景
扩展：相关技术发展
注意事项
用具体数字支撑观点
结合实际项目经验
展示系统性思考
承认知识边界
🔗 相关资源
基础架构详解
训练优化技巧
模型架构对比
