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 141 题请谈谈你对AI产品与大语言模型（LLM）核心能力的理解，以及它们在典型应用中的价值边界。 考察对AI/LLM基本原理、能力边界及产品化价值的认知第 142 题在大模型推理阶段，KV Cache 的作用是什么？ 考察对大模型推理中缓存机制原理和性能影响的理解第 143 题怎么把上下文传给大模型？ 考察对大模型交互方式、上下文管理与技术实现的理解第 144 题有去了解过大语言模型原理吗？ 考察对大型语言模型基础原理的主动学习与理解深度第 145 题packing形式和"多轮对话"形式有何区别? 考察对LLM训练中序列打包与多轮对话数据处理方式的理解第 146 题当前大语言模型的推理能力达到了什么样的程度？ 考察对LLM推理能力现状、局限和评测基准的理解第 147 题请说明大模型在推荐系统中用于用户画像刻画时的工作原理和典型方法。 考察对推荐场景下用户画像构建的模型理解和方案设计能力第 148 题请解释大模型推理速度慢的主要原因，并说明如何优化。 考察对大模型推理性能瓶颈的理解及优化思路第 149 题你了解大模型的基本原理吗？请简要介绍你熟悉的大模型架构和核心概念。 考察对大模型基础知识和核心概念的掌握程度第 150 题讲讲你知道的大模型技术最新发展 考察对大模型技术前沿动态的跟踪广度和理解深度第 151 题聊聊你对生成式推荐（基于LLM的推荐系统）的理解和想象空间。 考察对生成式推荐技术方向的理解、认知深度与观点表达第 152 题请介绍大模型微调的主要方法，并说明如何优化微调过程。 考察大模型微调技术储备与工程优化思路第 153 题请解释大语言模型推理时的采样参数 temperature、top-k 和 top-p 各自的作用，并说明它们对生成结果的影响。 考察对 LLM 解码阶段采样策略的理解与应用第 154 题在当下的大模型时代，你认为AI对学习和编程带来了哪些冲击与影响？ 考察对技术趋势的认知深度、批判性思维及对自身学习和工作方式的反思第 155 题请简述使用大型语言模型进行文本生成时，`temperature`、`top_p` 等参数各自的作用是什么？ 考察对LLM生成参数的理解及对生成随机性与确定性的影响第 156 题讲一下SFT时会对哪部分计算loss？为什么？ 考察对监督微调损失计算位置及其原因的理解第 157 题训练或微调一个大型语言模型（LLM）的完整流程是怎样的？ 考察对LLM预训练、微调及评估全流程的掌握程度第 158 题Agent（智能体）与大语言模型有什么差别？ 考察对 Agent 与大模型层级关系、能力边界和控制机制的理解第 159 题Agent跟大语言模型有什么差别？ 考察候选人对Agent与大语言模型概念边界的理解与本质差异的把握第 160 题请介绍一个你参与的 RAG（检索增强生成）项目，包括系统架构、关键模块和主要挑战。 考察对 RAG 完整链路（检索、重排、生成）的理解与项目落地能力