后端岗位面试题 · tech:transformer
题库中标记为“后端”的结构化面试题。
共 89928 道真题 · 当前筛选命中 93 道 · 更新 2026-08-05
筛选题目已选：tech:transformer
考察点
技术栈
第 41 题介绍Transformer多头注意力机制，并重点说明计算过程。 考察对多头注意力机制原理与计算流程的掌握第 42 题从技术角度分析，ChatGPT 为什么能够爆火？ 考察对大型语言模型技术演进及其影响力的理解第 43 题既然decoder-only架构已经可行，为什么还需要encoder？ 考察对Transformer架构各组件作用及不同任务场景下架构选择的理解第 44 题请介绍Transformer的原理，并说明相比RNN和CNN的主要优势。 考察对Transformer核心机制的理解及其相对于传统序列模型的优势第 45 题为什么在文本任务（如Transformer/BERT）中通常选择Layer Normalization（LN）而不是Batch Normalization（BN）？ 考察对文本与图像数据特性差异对归一化选择影响的理解第 46 题你对大模型的结构、工作流有了解吗？ 考察对大模型基础架构和核心工作流程的理解程度第 47 题你了解哪些大模型？通常用来解决什么问题？可以聊聊 Transformer 的核心内容吗？ 考察对大模型知识广度、应用理解及Transformer原理的掌握第 48 题你了解 ChatGPT 的模型和原理吗？请简述其核心工作机制。 考察对大语言模型基础原理的理解深度第 49 题在Transformer的注意力机制中，为什么要将点积结果除以根号d（d为键向量的维度）？ 考察对注意力机制缩放因子设计的理解及数学直觉第 50 题请谈谈你对大模型底层原理的理解。 考察对大模型核心技术的理解深度与系统性第 51 题请谈谈你对AI大模型的理解及其在工程中的应用。 考察对AI大模型核心概念的理解与落地应用认知第 52 题DETR 是如何在不用 NMS 的情况下保证一个目标附近只生成一个检测框的？ 考察对 DETR 目标检测机制与去重原理的理解第 53 题请描述大语言模型推理中 KV Cache 的管理机制，包括其作用、内存占用与优化策略。 考察对 Transformer 推理中 KV Cache 原理、内存管理与优化方法的理解第 54 题请介绍BERT模型的原理和预训练内容。 考察对预训练语言模型架构与训练目标的理解第 55 题请详细解释Transformer解码器（Decoder）的结构和工作原理，包括与编码器的区别、关键组件及其作用。 考察对Transformer解码器组件细节的理解，包括自注意力、交叉注意力和前馈网络第 56 题请说明 Transformer 中的参数主要包含哪些部分，并介绍多头自注意力机制。 考察对模型参数构成和多头注意力设计的理解第 57 题DeepSeek 和 ChatGPT 在技术原理上有哪些主要区别？ 考察对两大主流大模型架构、训练策略及产品定位差异的理解第 58 题请讲解Transformer的基本原理。 考察对Transformer架构核心组件的理解和原理掌握第 59 题你了解GPT这类大语言模型的基本原理吗？请介绍一下。 考察对Transformer架构、预训练与生成机制的理解第 60 题请说明 Transformer 模型的核心架构组件及其各自的作用。 考察对 Transformer 架构原理的理解清晰度与准确性