人工智能面试题 · 问题拆解 · LoRA
人工智能相关岗位面试题。
共 11389 道真题 · 当前筛选命中 29 道 · 更新 2026-08-05
筛选题目已选：问题拆解 · LoRA
考察点
技术栈
第 1 题既然用到了多种微调方式，实验过程中有没有探究过LoRA的秩等参数的影响？ 考察对LoRA核心超参数的理解及实验设计能力第 2 题请解释 LoRA（低秩适配）微调的核心原理。 考察对 LoRA 原理的理解及其在深度学习微调中的应用第 3 题你做过模型微调吗？可以讲讲具体是怎么做的吗？ 考察对微调流程、方法选择和效果验证的实际理解第 4 题请介绍你在实验室项目中涉及 LoRA、RAG 和单 Agent 开发的具体工作，并说明你在其中的技术选型和实现思路。 考察候选人对自己项目技术细节的理解深度与实际动手能力第 5 题介绍你在微调项目中负责的工作，并谈谈大模型微调最重要的是什么？ 考察对微调全流程的参与深度及对微调核心要素的理解第 6 题讲一下 LoRA，两个权重矩阵一般怎么初始化，能都全 0 吗？ 考察对 LoRA 原理、初始化策略及收敛问题的理解第 7 题请介绍LoRA训练的原理，你调过哪些参数，这些参数的含义是什么，以及你是如何设置的？ 考察对LoRA工作机制的理解、参数含义掌握及实际调参经验第 8 题什么是低秩分解？ 考察对秩、矩阵分解和低秩近似的数学直觉第 9 题LoRA的原理是什么？其A、B矩阵如何初始化？ 考察对LoRA低秩适配机制及其初始化策略的理解第 10 题LoRA微调方法要解决的核心问题是什么？ 考察对LoRA原始动机和参数量控制的理解第 11 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 12 题请估算 32B 参数模型全量微调和 LoRA 微调所需的显存量，并说明估算依据。 考察大模型微调显存估算能力和对不同微调方式开销的理解第 13 题同样是低秩分解，为什么LoRA推理时慢而MLA快？请对比两者在推理过程中的差异。 考察对低秩分解不同应用方式的辨析，尤其是推理阶段的实际影响第 14 题LoRA微调时的优化目标是什么？使用什么损失函数？ 考察对LoRA微调训练目标与损失函数选型的理解第 15 题请介绍 LoRA 微调中的关键参数及其初始化方式。 考察对 LoRA 原理、参数配置和初始化细节的理解第 16 题若要在基础模型上微调以适配垂直领域，一万个PDF文档足够吗？应怎么做？ 考察对微调数据要求与流程的理解第 17 题说一下 LoRA 是什么原理 考察对大模型参数高效微调方法的理解第 18 题LoRA怎么微调？请解释其原理，并对低秩矩阵进行解读。 考察对LoRA微调机制及低秩分解原理的理解深度第 19 题讲解 LoRA 原理。 考察对低秩适配方法的理解，包括核心思想、数学直觉与实际应用第 20 题解释LoRA训练方法 考察对LoRA原理、机制和应用场景的理解