返回全部题目← 上一题39 / 136下一题 →题库/模型训练与对齐/Q-5216如何设计大模型分布式训练的检查点、监控与断点恢复？知识专题：训练框架、调参与排障题目类型：方案设计技术难度：深入收录题集：4 份暂无参考答案未标记未标记待复习已掌握收藏询问 AI选择 AI 平台KimiKimi（新窗口打开）Qwen千问（新窗口打开）OpenAIChatGPT（新窗口打开）自动带入当前题目本题目录收录题集相关题目收录题集4 份SFT与指令微调阿东玩 AI · AgentGuide · 1 条原题查看题集 →【多轮对话训练难点】多轮对话训练在infra/算法上难点在哪里？ 「腾讯混元」AI系统与训练推理工程阿东玩 AI · AgentGuide · 4 条原题查看题集 →【分布式训练常见问题】分布式训练遇到过什么问题？ 「字节跳动」【异步Checkpoint】训练过程中因节点故障触发Checkpoint恢复，如何设计异步Checkpoint降低存储IO对训练的阻塞？ 「腾讯混元」【弹性容错与自动重启】弹性容错和自动重启机制。 「腾讯混元」展开其余 1 条原题【故障恢复】AI工作负载的故障恢复策略，训练作业中途失败如何快速恢复？ 「腾讯」预训练：训练与数据处理Rocky Ding · AIGC-Interview-Book · 1 条原题查看题集 →大语言模型训练中的 checkpoint、断点恢复和监控为什么更复杂？如何设计？AI Infra：训练、推理与 GPU 平台工程Onefly · zero2Agent · 1 条原题查看题集 →分布式训练为什么容易失败，如何恢复？相关题目4 题0100项目中的强化学习框架是如何搭建的？同一知识专题题目类型：项目深挖技术难度：深入相关面经：2 篇0101verl 中的 Agent Loop 如何实现？同一知识专题题目类型：原理机制技术难度：进阶相关面经：1 篇0276训练正常而离线评测骤降时，如何定位链路问题？同一知识专题题目类型：故障排查技术难度：深入相关面经：1 篇0381资源受限的微调中，如何判断学习率过高或过低？同一知识专题题目类型：故障排查技术难度：进阶相关面经：1 篇♥♥♥♥♥← 上一题已到最后一题← 上一题μP 与 μTransfer 如何支持从小模型向大模型迁移超参数？下一题 →如何根据任务与工程约束选择大模型微调和后训练框架？
