人工智能面试题 · 问题拆解
人工智能相关岗位面试题。
共 11389 道真题 · 当前筛选命中 3299 道 · 更新 2026-08-05
筛选题目已选：问题拆解
考察点
技术栈
第 701 题请实现区间合并算法：给定一组可能重叠的区间，返回合并后不重叠的区间列表。 考察排序与线性扫描的算法设计能力第 702 题请介绍解决过拟合的常用方法。 考察对机器学习模型泛化问题的理解及常用正则化手段第 703 题请描述 Canny 边缘检测算子的完整处理流程，并说明每个步骤的作用。 考察对经典边缘检测算法的理解与步骤复述能力第 704 题请说明数据分布和负样本采样对转化率预估模型的影响，以及如何规避相关偏差。 考察数据采样的偏差来源与对模型评估及线上的影响第 705 题在预训练阶段模型已同时涵盖代码与自然语言知识，进入SFT阶段后，学习新的代码知识相比学习新的自然语言知识哪个难度更大？请从预训练指标（如PPL）的角度分析原因。 考察对预训练与SFT阶段知识获取差异及PPL指标含义的理解第 706 题Transformer的自注意力机制及相比RNN的优势？ 考察对自注意力机制原理的理解及与RNN架构的对比分析能力第 707 题请解释Focal Loss的设计动机、数学形式以及它在类别不平衡问题中的作用。 考察对Focal Loss原理、公式理解及其在类别不平衡场景下的应用第 708 题你在实际项目中用过哪些设计模式？ 考察设计模式的理解、实际应用场景和与业务结合的深度第 709 题如果有一堆日志文件，内容包含用户调用LLM的频次和token数，怎么提取出使用量最高的几个人？ 考察日志数据处理、聚合统计和问题拆解能力第 710 题请解释 MinHash 的原理及其在文本去重中的应用。 考察 MinHash 算法原理、数学基础与实际应用理解第 711 题请解释PyTorch中计算图的概念，并说明它的构建和动态特性，以及这对反向传播有何影响。 考察对PyTorch计算图机制及其与反向传播关系的理解第 712 题请解释 QLoRA 的基本原理，说明它采用的量化方式，并讨论量化等级（如位宽）是否可视为一种超参数。 考察 QLoRA 的机制理解、量化方法及超参数意识第 713 题在进行并发与压力测试时，你一般如何设置测试参数和指标？ 考察对并发与压力测试的理解、参数设计和结果分析方法第 714 题用2个栈实现队列 考察栈和队列的数据结构特性及算法设计能力第 715 题意图分流的 Agent 怎么做微调的，用了多少数据？ 考察基于意图分类的 Agent 微调方法与数据规模合理性第 716 题请介绍你在数据配比（如样本类别不均衡或训练/验证/测试集划分）上的设计思路。 考察数据配比的方法、权衡与工程落地第 717 题请介绍目标检测的整体流程，包括数据准备、模型训练、推理和后处理的主要步骤。 考察对目标检测端到端流程的系统理解，以及关键环节的技术细节第 718 题构建的新数据集引起其他领域能力下降应该怎么办？ 考察机器学习中数据集构建引发的领域迁移与能力权衡处理第 719 题请讲述生成式语言模型的工作机理。 考察对语言模型自回归生成过程的理解第 720 题你尝试过训练Reward模型吗？ 考察对RLHF中奖励模型训练的实际经验与理解