互联网/IT行业面试题 · 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 219 道 · 更新 2026-08-05
筛选题目已选：tech:llm
考察点
技术栈
第 101 题一个用户搜索“周末去北京哪里玩”。传统的搜索会返回一个视频列表。如果由你来设计,你会如何利用AI大模型的能力,为这个用户提供一个“革命性的、而非“改良性”的搜索体验? 考察对AI大模型赋能搜索产品进行颠覆性创新的设计与表达能力第 102 题请解释GQA（分组查询注意力）和MLA（多头潜在注意力）等注意力机制的结构及其在LLM中的作用。 考察对前沿注意力机制原理的理解及在LLM中的应用第 103 题请谈谈强化学习（RL）在大语言模型中的应用，以及你对当前技术现状的理解。 考察候选人对强化学习在大模型训练中作用、方法演进和现状的理解第 104 题请结合贝壳的业务特点，谈谈大模型或AI技术可以在哪些方面带来业务增长机会？ 考察对AI技术应用场景的理解以及对贝壳业务模式的分析能力第 105 题如何评估一个大型语言模型（LLM）的综合能力？ 考察对LLM评估方法论、指标和实际应用的理解第 106 题如果让你用大模型解决数学推理问题，你会采用哪些主要方法和策略？ 考察对大模型数学推理技术路线与工程实践的掌握第 107 题你了解国内外哪些知名的大模型？ 考察候选人对大模型领域发展动态的关注度与知识广度第 108 题你了解大模型幻觉吗？请说明产生原因以及如何缓解大模型幻觉。 考察对大模型幻觉的理解深度与系统性缓解策略第 109 题手撕 RoPE：对比 llama GitHub 源码中 rope 介绍与你的实现，说明区别和改进点。 考察对旋转位置编码原理与源码理解的一致性及细节掌握第 110 题请谈谈你对大语言模型的了解，并说明强化学习在该领域的应用。 考察对大模型基础和强化学习应用的整体认知第 111 题大模型擅长做什么、不擅长做什么？ 考察对大模型能力边界和局限性的理解第 112 题如何提升大模型上下文长度的token处理能力？ 考察对模型上下文窗口扩展技术和相关优化策略的理解第 113 题请谈谈你在项目过程中对大模型相关技术的学习或应用情况。 考察候选人对大模型知识的主动学习与应用能力第 114 题LoRA 与全参数微调的核心区别是什么？在显存占用和训练效率上各有什么优劣？ 考察对 LoRA 原理及其在资源效率上相对全参数微调优势的理解第 115 题什么是大模型的幻觉，如何缓解？ 考察对大模型幻觉概念的理解和实用缓解策略第 116 题讲一下 LoRA 微调的原理。 考察对大模型参数高效微调方法 LoRA 的核心机制理解第 117 题用LLM做文本分类时，如何选择encoder架构和decoder架构？ 考察对LLM架构原理及其在分类任务中适用性的理解第 118 题请谈谈你对图神经网络（GNN）与大型语言模型（LLM）结合的理解，包括结合的必要性、典型方法以及潜在挑战。 考察对GNN与LLM结合的技术背景、方法路径与难点认知第 119 题平时使用大模型时传入的超参数有哪些？它们分别有什么作用，又是如何影响模型回答的？ 考察对大模型推理阶段超参数的理解及应用能力第 120 题能讲讲你学习大模型的路线吗？ 考察候选人学习路径、方法自驱性与技术深度