互联网/IT行业面试题 · 技术原理 · tech:llm
互联网/IT行业相关面试题，按题目行业基础数据聚合。
共 47588 道真题 · 当前筛选命中 160 道 · 更新 2026-08-05
筛选题目已选：技术原理 · tech:llm
考察点
技术栈
第 41 题探讨LLM是否适合生成embedding，分析encoder和decoder架构的适配性，以及Decoder-only架构的Qwen用作encoder的原因。 考察对LLM架构差异、embedding生成原理及模型适配性的理解第 42 题询问LLM推理时，如何从prompt中分离出response？ 考察对LLM接口调用与提示词设计的理解，以及解析生成结果的基本能力第 43 题请介绍你对大模型和多模态技术的理解，以及它们在实际应用中的价值和挑战。 考察对大模型、多模态技术的知识掌握、应用意识与风险认知第 44 题请具体说明 LoRA 的原理和实现步骤。 考察对参数高效微调技术的深入理解与动手细节第 45 题请介绍你了解的大模型和多模态大模型，并说明它们各自的主要能力。 考察对大模型和多模态模型的广度认知与分类能力第 46 题微调大语言模型通常有哪几种方式？各有什么适用场景和优缺点？ 考察对主流大模型微调方式的体系化认知与场景判断第 47 题训练一个 8B 参数的大模型，大概需要多少显存？ 考察显存估算能力和对训练过程中显存主要来源的理解第 48 题LLM和NLP有什么关系？ 考察对LLM与NLP学科基础和演进关系的理解第 49 题请介绍你对 DAPO 的了解，并阐述它的主要创新点。 考察对 DAPO 算法原理与创新点的理解深度第 50 题你理解大模型出现幻觉的原因是什么？ 考察对大模型幻觉机制的理解及分析深度第 51 题请解释大模型推理时 top-p、top-k 和 temperature 参数各自的含义与作用。 考察对大模型采样策略中关键参数的理解第 52 题你了解大模型在推荐系统中的哪些应用？ 考察对大模型与推荐系统结合的技术理解与知识广度第 53 题请解释什么是上下文工程（Context Engineering），并说明它与提示词工程的区别。 考察对上下文工程概念及相关技术的理解第 54 题请介绍你对RAG（检索增强生成）的理解，并说明其核心组件和工作流程。 考察对RAG原理、组件及流程的理解深度第 55 题针对模型幻觉有什么手段？ 考察对大模型幻觉原因的理解及系统性缓解方法第 56 题当输入超过模型上下文长度时，有哪些主流解决方案？（如滑动窗口、压缩、摘要） 考察对长上下文处理技术的理解与权衡第 57 题你觉得LLM的原子能力有哪些，它为什么能被用来做应用？ 考察对LLM核心能力的理解及其应用基础第 58 题你认为大模型相比之前的AI技术，本质上解决了什么问题？为什么人们对它抱有这么高的期待？ 考察对大模型技术本质的理解及对行业影响的判断第 59 题请谈谈你对大语言模型的基本了解，包括其主要特点和应用场景。 考察对AI基础概念的认知及表达能力第 60 题利用大模型进行代码的缺陷检测，你了解大模型底层是怎么做到输入代码返回缺陷的吗？ 考察对大模型处理代码的机理理解，包括预训练、上下文编码、注意力机制与生成/分类原理