腾讯面试题 · tech:llm
腾讯相关面试题，按最终去重题目聚合。
共 3056 道真题 · 当前筛选命中 13 道 · 更新 2026-08-05
筛选题目已选：tech:llm
考察点
技术栈
第 1 题对LLM4Rec的后续迭代方向有什么见解？ 考察对推荐系统与大型语言模型结合的前沿理解及技术规划能力第 2 题请谈谈你对大模型技术发展现状与核心挑战的理解。 考察对大模型技术原理、应用趋势及局限性的认知深度第 3 题请谈谈你未来3-5年的职业规划，特别是如何结合AI产品方向，比如深耕大模型或Agent在目标公司的落地。 考察候选人的职业规划清晰度与AI方向匹配度第 4 题大模型在DA中的核心价值是什么 考察对大模型应用于数据分析的驱动价值与场景理解第 5 题请以“降低中文长文本问答幻觉、提升金融合规问答准确率为目标，设计一份数据交付方案（含数据类型/配比、规模与里程碑、验收口径与离线评测）。可结合混元在中文、推理等场景定位来阐述为何这样配比。 考察数据驱动的大模型微调方案设计能力，包括数据配比、规模规划、验收评测与业务目标对齐第 6 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 7 题日常使用哪些大模型？ 考察对大模型工具的日常使用习惯与熟悉程度第 8 题在前端项目中，如何利用大模型实现自然语言输入校验？请说明你的设计方案与边界。 考察前端结合大模型做自然语言校验的设计思路与风险意识第 9 题开放题:我看你也做了这么多 LLM 的事情,你怎么看待 LLM 的发展? 考察对 LLM 技术趋势、应用落地与个人认知的深度理解第 10 题请解释大模型生成参数 temperature、top_k 和 top_p 的作用，以及它们如何影响生成结果。 考察对大模型采样策略的理解和参数调优能力第 11 题讲一下大模型训练和推理的流程，SFT和RLHF的作用分别是什么？ 考察对大模型训练推理链路及对齐方法（SFT、RLHF）的理解第 12 题请解析RLHF（基于人类反馈的强化学习）的对齐流程，并说明各步骤的作用。 考察对RLHF核心流程的理解及其在模型对齐中的作用第 13 题当输入超过模型上下文长度时，有哪些主流解决方案？（如滑动窗口、压缩、摘要） 考察对长上下文处理技术的理解与权衡