人工智能面试题 · LLM
人工智能相关岗位面试题。
共 11389 道真题 · 当前筛选命中 332 道 · 更新 2026-08-05
筛选题目已选：LLM
考察点
技术栈
第 261 题有没有大模型相关的微调经验？ 考察大模型微调的实践经历、方法掌握和工程落地能力第 262 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 263 题除了大模型幻觉，目前大模型还存在哪些问题？ 考察对大模型局限性的整体认知和系统性思考第 264 题在大模型中，模型参数如何影响模型的学习和优化？ 考察对大模型参数量、容量、训练动态和优化难点之间关系的理解第 265 题如何评估一个大型语言模型（LLM）的综合能力？ 考察对LLM评估方法论、指标和实际应用的理解第 266 题如何缓解大模型幻觉？ 考察对幻觉抑制方案的系统性掌握第 267 题假设强化学习结合大模型，如何解决动作空间维度大的问题？ 考察结合大模型进行强化学习时对高维动作空间的建模与降维策略第 268 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 269 题请谈谈你对多模态和大模型技术的了解。 考察对多模态与大模型基础概念的掌握及技术理解深度第 270 题你如何看待大模型幻觉？它一定是弊端吗？ 考察对幻觉的辩证理解和价值判断第 271 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 272 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 273 题在DPO训练中，你遇到过不收敛的问题吗？如何排查和解决？ 考察DPO训练不收敛的排查思路与解决能力第 274 题LoRA 与全参数微调的核心区别是什么？在显存占用和训练效率上各有什么优劣？ 考察对 LoRA 原理及其在资源效率上相对全参数微调优势的理解第 275 题请介绍大语言模型（LLM）的典型架构，并说明监督微调（SFT）与参数高效微调（PEFT）的主要区别和适用场景。 考察对LLM基础架构与微调方法的理解深度第 276 题请解释什么是大语言模型的“涌现能力”。 考察对大语言模型涌现能力概念的理解第 277 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 278 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 279 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 280 题如何优化大模型训练速度？ 考察对大模型训练性能优化方法、理论依据和实践细节的掌握