电商行业面试题 · 方案权衡 · LLM
电商行业相关面试题，按题目行业基础数据聚合。
共 10617 道真题 · 当前筛选命中 34 道 · 更新 2026-08-05
筛选题目已选：方案权衡 · LLM
考察点
技术栈
第 21 题为什么大模型早期强调提示工程，中期较少提及，近期又重新被重视？请分析背后的技术演进逻辑。 考察对提示工程生命周期与技术演进关联的分析能力第 22 题如果DPO后的模型效果不如SFT，你会如何分析和应对？ 考察对DPO退化问题的归因与优化策略第 23 题在大语言模型应用开发中，为什么需要对预训练生成模型进行微调？如果不对模型做微调，多大的模型能够直接满足业务需求？ 考察对微调必要性、任务适配与模型规模选择的理解第 24 题如果大模型的输入上下文窗口是4k长度，能否让它输出8k长度的内容？ 考察对模型上下文窗口与输出长度限制的理解第 25 题项目中的OCR是怎么做的，为什么选择用大模型来做？ 考察OCR技术方案的设计理解与选型判断第 26 题你在这个项目中使用了LLM，但本质上它就是一个分类任务，为什么不直接训练一个专用分类模型？ 考察对LLM方案与专用模型方案在分类场景中的权衡能力第 27 题请结合你的实际使用经验，谈谈你了解哪些大模型产品，并从功能、性能、成本或生态等维度分析它们的优缺点。 考察对主流大模型产品的实际了解、对比分析能力及技术判断力第 28 题如何评估大语言模型的性能？请列举常见的评测指标。 考察对大语言模型性能评测指标的理解与掌握第 29 题在你看来，目前大模型发展的上限可能在哪里？有哪些突破方向？ 考察对大模型技术边界、前沿方向的认知与判断第 30 题如果客服系统需要自动回复用户咨询，如何通过大模型实现智能问答？ 考察大模型在客服场景中的应用设计与工程落地能力第 31 题请谈谈大语言模型在推荐系统中有哪些典型应用场景，以及它们分别解决了什么问题。 考察对大模型与推荐系统结合的技术原理、应用场景及方案权衡的理解第 32 题如何设计选择调用哪一个工具或函数的策略？ 考察工具选择的决策机制和设计考虑第 33 题请介绍MLA（Multi-head Latent Attention）及其与KV Cache的关系。 考察对大模型注意力机制优化和推理缓存机制的理解第 34 题请解释Grouped-Query Attention（GQA）的原理及其实现方式。 考察对GQA机制原理和高效实现的理解