人工智能面试题 · 技术选型 · LLM
人工智能相关岗位面试题。
共 11389 道真题 · 当前筛选命中 81 道 · 更新 2026-08-05
筛选题目已选：技术选型 · LLM
考察点
技术栈
第 21 题请结合贝壳的业务特点，谈谈大模型或AI技术可以在哪些方面带来业务增长机会？ 考察对AI技术应用场景的理解以及对贝壳业务模式的分析能力第 22 题请分别解释 RAG、MCP、Tool Calling 和 Agent 的核心概念，并说明它们之间的关系以及在实际应用中的典型使用场景。 考察对新兴 AI 技术概念的理解、区分及实际应用能力第 23 题你了解 LangChain 吗？请说明它的工作机制。 考察框架认知、核心抽象理解与组件协作逻辑第 24 题训练或微调一个大型语言模型（LLM）的完整流程是怎样的？ 考察对LLM预训练、微调及评估全流程的掌握程度第 25 题请介绍InternVL模型的发展历程，以及每个版本的技术特点和演进动机。 考察对InternVL系列模型演进的理解、技术脉络梳理和关键改进点的掌握第 26 题你在项目中使用 LoRA 微调 LLM,请说明你设置的 rank、alpha 值,并分析它们对性能和收敛速度的影响。 考察对 LoRA 超参数作用机制的理解及实验分析能力第 27 题大模型常用的位置编码有哪些？各自的优缺点是什么？ 考察对位置编码机制的理解、对比与适用场景判断第 28 题如果DPO后的模型效果不如SFT，你会如何分析和应对？ 考察对DPO退化问题的归因与优化策略第 29 题用LLM做文本分类时，如何选择encoder架构和decoder架构？ 考察对LLM架构原理及其在分类任务中适用性的理解第 30 题请说明大模型幻觉问题的成因及常见解决方法。 考察对大模型幻觉现象的理解与工程对策第 31 题你们的大模型是从零训练还是基于开源模型微调的？请说明选型理由。 考察对模型选型、训练成本与效果平衡的理解第 32 题你用过哪些大模型微调方式？请简述 LoRA 微调的原理。 考察对大模型微调方法的熟悉程度及对 LoRA 核心机制的理解第 33 题如果训练大模型时显存不够，你会用哪些技术缓解？ 考察显存优化技术全景和适用场景的判断第 34 题在微调大语言模型时，如何选择合适的损失函数？ 考察对微调任务类型与损失函数匹配的理解第 35 题请探讨单个大型语言模型（LLM）能否独立帮助用户完成一次完整的行程规划，包括预订交通和酒店票务。 评估对LLM能力边界、工具调用和系统设计的理解第 36 题介绍一下大语言模型中的知识蒸馏，它如何用于压缩模型体积？ 考察对大语言模型知识蒸馏原理及其在模型压缩中作用的理解第 37 题对比大语言模型的增量推理和传统推理方式，增量推理的优势和实现难点是什么？ 考察对大模型推理机制的理解及工程优化能力第 38 题相比单个大型语言模型 Agent，多个 LLM Agent 协同工作有哪些优势？ 考察对多智能体协作价值与分工优势的分析能力第 39 题CLIP的对比学习中的Temperature和LLM解码器中的Temperature是同一个概念吗？ 考察对两种不同场景下Temperature参数的理解与区分第 40 题请介绍你负责的一个多模态大模型自动标注项目，重点说明其中模型架构的设计思路以及 Sam 与 LLM 的协作方式。 考察多模态标注项目架构设计、模型分工与协作理解