人工智能面试题 · 性能优化
人工智能相关岗位面试题。
共 11389 道真题 · 当前筛选命中 605 道 · 更新 2026-08-05
筛选题目已选：性能优化
考察点
技术栈
第 101 题如何评估RAG系统的效果？你做了哪些改进？ 考察对RAG检索与生成链路质量的评估方法和迭代优化思路第 102 题请说明KV Cache在推理时占用的内存量级，并计算它相比不缓存键值时降低了多少时间复杂度。 考察对KV Cache内存代价与计算复杂度收益的量化理解第 103 题请结合你对 CUDA 的熟悉程度，说明 GPU 的架构特点、内存模型以及 CUDA 的编程运行模型。 考察对 GPU 硬件架构、存储层次和 CUDA 执行模型的理解深度第 104 题在微调SAM分割模型时，主干网络通常保持冻结，若效果不佳应如何调整decoder？请说明调整策略和微调参数的选择。 考察对SAM微调实践和参数选择的理解第 105 题项目提到频次过滤,为什么要这样做? 考察业务理解、性能意识与数据过滤设计的权衡第 106 题在 vLLM 部署中，如何实现 2k tokens/s 的吞吐？ 考察对 vLLM 性能优化手段和吞吐瓶颈的理解第 107 题多线程处理是否会受到全局锁的影响？ 考察对全局锁机制及其对多线程并发性能影响的理解第 108 题在语音识别模型的量化部署中有哪些典型难点，通常如何解决？ 考察语音识别量化部署的难点识别与常见解决手段第 109 题LSTM和GRU哪个训练得更快？ 考察对循环神经网络结构差异及其训练效率影响的理解第 110 题请讲解大模型推理中KV Cache的原理及其优化方向。 考察对KV Cache机制本质和优化空间的理解第 111 题RAG系统如何评估？有哪些评估指标？ 考察对RAG检索与生成各环节评估方法论的理解第 112 题项目实战：LLM重复生成内容的问题如何缓解？ 考察对LLM采样机制、输出多样性控制与工程调优手段的理解与应用第 113 题请写出 RAG 的基本流程，可用伪代码表达。 考察对检索增强生成全链路的掌握第 114 题从推理角度看，MOE 模型在内存和计算上有什么优势和挑战？ 考察 MOE 推理的内存特性、计算特点与部署难点第 115 题请分享一次你进行SQL调优的实际经历，包括问题背景、定位方法和优化效果。 考察候选人是否具备SQL性能调优的实践经验和系统化排查能力第 116 题项目：模型量化时遇到激活值异常溢出如何调试？ 考察模型量化中数值异常问题的定位与调试能力第 117 题Linux网络性能调优的方式有哪些？ 考察对Linux网络协议栈、内核参数和监控工具的理解及调优思路第 118 题vLLM 的核心优势是什么？ 考察对 vLLM 核心性能优化机制的理解第 119 题模型训练过程中，哪些内容会存储在显存中？ 考察对深度学习训练显存占用构成的理解第 120 题量化出来的模型有误差，你是怎样减少误差、提高模型预测准确率的？ 考察模型量化误差的来源分析、补偿策略与精度优化方法