人工智能面试题 · 方案权衡 · Transformer
人工智能相关岗位面试题。
共 11389 道真题 · 当前筛选命中 236 道 · 更新 2026-08-05
筛选题目已选：方案权衡 · Transformer
考察点
技术栈
第 101 题Baichuan和Qwen系列模型在设计上有哪些主要区别？ 考察对大模型家族技术路线和控制点的理解第 102 题在 DIN（Deep Interest Network）中，Attention 的计算方式与标准 Transformer 的 Attention 有何不同？ 考察对 DIN 中局部激活单元（Attention 机制）的理解及其与 Transformer Attention 的对比第 103 题请详细解释BERT模型的结构原理、主要缺点及其改进模型。 考察对BERT预训练模型原理的深入理解、局限性的把握以及相关改进工作的了解第 104 题请比较 LSTM 与 Transformer 在序列建模上的主要差异。 考察对两种主流序列模型在结构、并行性与长程依赖上的对比理解第 105 题请介绍 DETR 的主要结构和工作原理。 考察对 DETR 端到端目标检测架构的理解第 106 题主流LLM模型结构设计有什么特点？ 考察对现代大语言模型架构设计的理解与归纳能力第 107 题为什么Transformer中的位置编码要使用sin和cos函数？ 考察对Transformer位置编码设计动机与数学特性的理解第 108 题MHA、GQA、MQA三种注意力机制的区别是什么？ 考察对注意力机制效率优化演进的理解第 109 题Transformer 模型中是如何处理梯度爆炸和梯度消失的？ 考察对Transformer稳定训练机制的理解第 110 题BEV算法的本质区别、优点，以及当前BEV算法的不足 考察对自动驾驶BEV感知范式的系统理解与批判性思考第 111 题Transformer 模型有哪些常用的推理加速方法？ 考察对 Transformer 推理性能优化技术的理解和实践第 112 题请解释 Decode-only 与 Encode-only 架构的区别，并说明各自的设计原因。 考察对自回归与编码器架构原理的理解及其设计动机第 113 题介绍Transformer的位置编码,为什么这么设计,为什么可以达到位置编码的效果,编码了相对位置还是绝对位置;介绍RoPE 考察位置编码原理、设计动机及RoPE的理解第 114 题在具体业务中如何选择LLM架构？请结合场景说明原因。 考察技术选型与业务目标的结合能力第 115 题对比LSTM与Transformer在建模长序列时的差异。 考察对两种序列建模方案的权衡理解第 116 题在长序列时空数据中，如何降低 Transformer 的计算复杂度？ 考察对长序列场景下 Transformer 效率优化的理解第 117 题BERT采用双向注意力机制带来了哪些好处？ 考察对双向上下文建模优势的理解第 118 题大语言模型的长文本处理能力有限，目前有哪些技术可以缓解这一问题？ 考察对长上下文处理技术的了解、原理理解及权衡意识第 119 题为什么图像要划分patch，其对应的物理含义是什么？请与NLP中的文本序列处理进行对比联系。 考察对Vision Transformer中patch划分原理的理解及其与NLP序列建模的关联第 120 题位置编码为什么选择正/余弦编码，有什么好处？ 考察对Transformer位置编码原理及其设计意图的理解