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 61 题在你看来，目前大模型发展的上限可能在哪里？有哪些突破方向？ 考察对大模型技术边界、前沿方向的认知与判断第 62 题请解释大语言模型中Tokenization的基本原理和流程。 考察对Tokenization概念、流程及作用的理解第 63 题在LLM训练中，为什么要先进行SFT微调，再进行RL（如RLHF）对齐？ 考察对SFT与RL阶段作用与先后次序的深入理解第 64 题请讲解大语言模型的基本工作原理，并阐述其核心组件。 考察对大语言模型整体架构和关键机制的理解第 65 题项目实战：LLM重复生成内容的问题如何缓解？ 考察对LLM采样机制、输出多样性控制与工程调优手段的理解与应用第 66 题知道哪些大模型微调方法？ 考察对大模型微调技术栈的了解和广度第 67 题大模型为什么会出现重复输出或不能停止的现象？ 考察对解码策略与生成失控原因的技术理解第 68 题大模型怎么解决用户兴趣漂移的问题？ 考察对动态用户建模与推荐系统更新的理解第 69 题请谈谈你对当前AI发展趋势的看法，并结合实际场景说明这些趋势可能带来的影响。 考察对AI技术方向的理解深度、行业认知及信息分析能力第 70 题请分享你在实验室实习中关于LLM剪枝优化迁移的工作，并回答技术细节问题。 考察LLM剪枝迁移的项目设计与技术细节掌握第 71 题目前的LLM结构和最开始的Transformers有哪些变化? 考察对Transformer架构演进及大模型技术迭代的理解第 72 题请简述使用大型语言模型进行文本生成时，`temperature`、`top_p` 等参数各自的作用是什么？ 考察对LLM生成参数的理解及对生成随机性与确定性的影响第 73 题请简要阐述当前大模型应用的主流范式，并说明其典型技术架构与适用场景。 考察对大模型应用范式（如RAG、Agent、微调等）的整体认知与辨析能力第 74 题请谈谈你对图神经网络（GNN）与大型语言模型（LLM）结合的理解，包括结合的必要性、典型方法以及潜在挑战。 考察对GNN与LLM结合的技术背景、方法路径与难点认知第 75 题请解释大模型推理速度慢的主要原因，并说明如何优化。 考察对大模型推理性能瓶颈的理解及优化思路第 76 题Zero Shot和Few Shot的区别是什么？ 考察对LLM提示学习与上下文学习机制的理解第 77 题当前大语言模型的推理能力达到了什么样的程度？ 考察对LLM推理能力现状、局限和评测基准的理解第 78 题请阐述元学习与大模型结合的技术思路和应用场景。 考察对元学习与大模型结合的技术理解与场景应用第 79 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 80 题大模型输出前后不一致怎么办，如何确保大模型输出内容的一致性？ 考察对大模型生成随机性与输出一致性控制方法的理解