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 61 题文本描述的推理总结选用什么LLM基座？原因是什么？ 考察对LLM基座选型的理解、推理与总结任务特点的匹配及技术权衡第 62 题您是否考虑对大语言模型进行微调？请谈谈您的看法和考虑因素。 考察对大语言模型微调技术的理解、适用场景与权衡能力第 63 题比较BPE、WordPiece和Unigram等主流分词算法的主要差异。 考察对不同分词算法的原理和适用场景的理解第 64 题在实习项目中，为什么选择使用 prompt 而不是 agent？ 考察对大模型应用选型的理解及对两种技术路径的权衡第 65 题在大语言模型应用开发中，为什么需要对预训练生成模型进行微调？如果不对模型做微调，多大的模型能够直接满足业务需求？ 考察对微调必要性、任务适配与模型规模选择的理解第 66 题请解释大语言模型监督微调（SFT）中常用的损失函数及其计算公式。 考察对监督微调核心损失函数的理解与表达能力第 67 题对于大模型SFT、RAG、MCP、RL等不同的技术路径,你认为有什么区别,适用什么样的场景,大概介绍一下 考察对大模型不同技术路径的原理、适用场景及选型权衡的理解第 68 题当使用不常见语言或领域术语时,分词效果不佳如何应对? 考察对分词局限性的理解及实际处理策略第 69 题请介绍你对 DAPO 的了解，并阐述它的主要创新点。 考察对 DAPO 算法原理与创新点的理解深度第 70 题探讨LLM是否适合生成embedding，分析encoder和decoder架构的适配性，以及Decoder-only架构的Qwen用作encoder的原因。 考察对LLM架构差异、embedding生成原理及模型适配性的理解第 71 题请概述大语言模型强化学习的关键发展阶段及各自的核心技术思想。 考察对LLM强化学习演进脉络的理解与表述能力第 72 题假设我们是做电商的，你觉得可以怎么用大语言模型来解决我们的一些实际业务问题？ 考察对LLM能力边界和电商业务场景的理解与方案设计能力第 73 题请说明在监督微调（SFT）中损失函数的具体计算方式，以及它与预训练阶段损失计算的异同。 考察对SFT训练目标、损失函数来源及与预训练区别的理解第 74 题请介绍MLA（Multi-head Latent Attention）及其与KV Cache的关系。 考察对大模型注意力机制优化和推理缓存机制的理解第 75 题大模型有哪些微调方法？ 考察对大模型微调技术分类和适用场景的理解第 76 题微调大语言模型通常有哪几种方式？各有什么适用场景和优缺点？ 考察对主流大模型微调方式的体系化认知与场景判断第 77 题LLM（大语言模型）有哪些微调方式？ 考察对大语言模型微调方法的理解和分类能力第 78 题在构造大模型对话时，你是如何设计system prompt的？请说明设计要点和考虑因素。 考察候选人对提示词工程和角色设定的理解与实操能力第 79 题开放题：LLM可以解决过去问答系统的哪些问题，你觉得还可以用LLM做什么新的创新？ 考察对LLM能力边界及问答系统演进的理解与创新思维第 80 题你在这个项目中使用了LLM，但本质上它就是一个分类任务，为什么不直接训练一个专用分类模型？ 考察对LLM方案与专用模型方案在分类场景中的权衡能力