高德地图面试题 · 方案权衡 · Transformer
高德地图相关面试题，按最终去重题目聚合。
共 1511 道真题 · 当前筛选命中 17 道 · 更新 2026-08-05
筛选题目已选：方案权衡 · Transformer
考察点
技术栈
第 1 题请系统介绍 Transformer 的基本原理、关键组件及其相较于传统序列模型的优势，并简要说明其典型应用场景。 考察对 Transformer 架构原理的理解、对比分析能力及知识系统性第 2 题Transformer 为什么使用 LayerNorm 而不是 BatchNorm？ 考察对归一化机制在序列建模中适用性的理解第 3 题目前的LLM结构和最开始的Transformers有哪些变化? 考察对Transformer架构演进及大模型技术迭代的理解第 4 题MHA（多头注意力机制）的计算复杂度比较高，有哪些改进的方法？ 考察Transformer注意力机制的计算瓶颈分析与优化方案设计第 5 题Transformer和CNN有什么不同？ 考察对两种主流网络架构的机制理解与适用场景辨析第 6 题为什么Transformer用LN不用BN？ 考察对归一化原理、序列建模特性和梯度稳定性的理解第 7 题Pre-LN和Post-LN在训练稳定性、梯度传播和最终性能上有什么区别？ 考察对两种结构影响机制的理解第 8 题为什么不在训练中使用KV-Cache？ 考察对Transformer训练与推理阶段访存与计算特性的理解第 9 题如何优化Transformer中计算量最大的模块（自注意力）？ 考察对自注意力优化的多种方法及权衡的理解第 10 题在长序列时空数据中，如何降低 Transformer 的计算复杂度？ 考察对长序列场景下 Transformer 效率优化的理解第 11 题位置编码为什么选择正/余弦编码，有什么好处？ 考察对Transformer位置编码原理及其设计意图的理解第 12 题为什么GPT采用单层（解码器）Transformer结构，而不是类似BERT的双向编码器？ 考察对GPT生成式架构设计逻辑的理解第 13 题请说明 Transformer 中 Layer Normalization 的作用、计算过程及其与 Batch Normalization 的区别。 考察对 Transformer 中层归一化原理、计算细节及对比知识的掌握第 14 题请对比Transformer与RNN、LSTM在结构和建模能力上的区别。 考察对主流序列模型核心差异的理解第 15 题大模型的Attention层结构有什么区别？ 考察对不同Transformer架构中Attention变体的原理理解与对比能力第 16 题Transformer 相比 RNN 有哪些核心优势？请结合机制说明。 考察对 Transformer 与 RNN 架构差异及优势的理解第 17 题像GPT和图像生成模型，大都是decoder-only架构，为什么？ 考察对生成式模型架构选择的深层理解与权衡能力