电子/半导体行业面试题 · 方案权衡 · tech:llm
电子/半导体行业相关面试题，按题目行业基础数据聚合。
共 19445 道真题 · 当前筛选命中 12 道 · 更新 2026-08-05
筛选题目已选：方案权衡 · tech:llm
考察点
技术栈
第 1 题请详细解释LoRA（低秩适配）的原理，说明它为什么能大幅减少微调参数量。 考察对LoRA技术原理和参数高效微调机制的理解第 2 题请说明 KV Cache 在 LLM 推理中的优化方法，并分析各自的适用场景与权衡。 考察对大模型推理优化技术（KV Cache）的原理理解与方案权衡能力第 3 题请介绍大语言模型（LLM）的典型架构，并说明监督微调（SFT）与参数高效微调（PEFT）的主要区别和适用场景。 考察对LLM基础架构与微调方法的理解深度第 4 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 5 题如何设计一个200B参数大模型的16卡分布式训练方案？ 考察大规模模型分布式训练的资源评估与并行策略设计第 6 题如何缓解大模型的幻觉问题？ 考察对生成幻觉成因与缓解策略的系统性理解第 7 题请从效果、参数量、显存占用、部署影响和适用场景等角度，对比LoRA与全量SFT的差异。 考察对LoRA和SFT权衡的理解以及技术选型能力第 8 题大模型微调中，LoRA 有什么缺点？ 考察对 LoRA 技术局限性的理解及其适用边界第 9 题如何看待当前LLM和Agent的发展趋势？ 考察对行业趋势、技术演进的判断与个人见解第 10 题请分析长安汽车在大模型领域可能的应用场景。 考察对大模型在汽车行业应用的业务理解与场景化思考第 11 题在实习项目中，为什么选择使用 prompt 而不是 agent？ 考察对大模型应用选型的理解及对两种技术路径的权衡第 12 题如何实现大模型相关技术的产业落地？ 考察对大模型实际落地路径、场景选择与工程挑战的理解