互联网/IT行业面试题 · 方案权衡 · 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 80 道 · 更新 2026-08-05
筛选题目已选：方案权衡 · LLM
考察点
技术栈
第 1 题请讲一讲GRPO的原理、优劣以及后续改进方向。 考察对GRPO算法原理、优劣对比及后续改进的综合理解第 2 题请介绍并对比大语言模型（LLM）的三种典型架构，并说明它们各自的特点。 考察对大语言模型架构的理解与对比能力第 3 题如何评估 LLM 的 Backbone 能力？给出主要评估维度并说明设计思路。 考察对 LLM 基座模型能力评估体系的理解与设计第 4 题你认为通用大模型和垂类小模型未来会形成怎样的分工？ 考察对AI模型生态演化趋势的洞察和逻辑推理能力第 5 题如何降低大模型AI幻觉率？请给出具体可落地的方案。 考察对幻觉缓解方法的体系化理解与工程落地能力第 6 题你用到的大模型参数量是多少？为什么不用其他模型？ 考察对模型选型的依据和比较能力第 7 题从大模型端看，应该做哪些工作来适配Agent架构？ 考察对大模型能力边界与Agent工具调用、规划、记忆等机制的适配理解第 8 题大模型SFT解决不了业务问题吗？为什么还要引入强化学习？强化学习主要解决业务中的什么问题？ 考察对SFT与强化学习在大模型训练中定位差异的理解，及强化学习针对的业务目标第 9 题如何实现并优化LLM的JSON结构化输出？请谈谈你的思路和注意事项。 考察对LLM结构化输出方法、约束机制及错误处理的掌握第 10 题你认为未来大模型和人类理想的合作方式应该是什么样？请结合你的实际工作或学习场景说明。 考察将大模型工具性与人类判断力结合的实际思考和场景化应用能力第 11 题现在的大模型如何应用到搜索检索层面？ 考察大模型在搜索检索中的技术应用与系统设计思路第 12 题你在做微调的时候，怎么解决遗忘的问题？ 考察对微调过程中灾难性遗忘问题的理解与应对能力第 13 题请阐述元学习与大模型结合的技术思路和应用场景。 考察对元学习与大模型结合的技术理解与场景应用第 14 题在检索增强生成系统中，为什么通常在向量相似度检索后还要将结果交给大模型生成答案，而不是直接输出检索文本？这样对幻觉和安全性有什么影响？ 考察对RAG架构中检索与生成分离的理解，以及其对幻觉和安全性的影响第 15 题请解释什么是RAG（检索增强生成），并说明其核心工作原理与适用场景。 考察对RAG概念、流程及适用场景的理解第 16 题AI Agent是怎么实现的？如何通过调用大模型的API、RAG、MCP等组件组合来实现这个Agent？ 考察对大模型应用架构、Agent实现模式和外部工具集成能力的理解第 17 题请分别说明大模型训练和推理阶段的主要性能优化手段。 考察对大模型训练与推理性能优化的系统理解与工程实践第 18 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 19 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 20 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