人工智能面试题 · LoRA
人工智能相关岗位面试题。
共 11389 道真题 · 当前筛选命中 257 道 · 更新 2026-08-05
筛选题目已选：LoRA
考察点
技术栈
第 1 题训练LoRA时会调整哪些参数？你有哪些调参经验？ 考察对LoRA训练关键超参数的理解与实际调参经验第 2 题既然用到了多种微调方式，实验过程中有没有探究过LoRA的秩等参数的影响？ 考察对LoRA核心超参数的理解及实验设计能力第 3 题LoRA的原理是什么？如何初始化A、B矩阵？为什么这样初始化？ 考察对LoRA低秩适配原理的理解及初始化细节的掌握第 4 题请介绍 LoRA 及其高效微调的原理，并说明其中降秩（低秩）的作用是什么。 考察对 LoRA 低秩适配机制的深入理解与原理性解释能力第 5 题除了 LoRA，你还了解哪些可用于训练和推理优化的技术？ 考察对大模型训练推理优化技术的广度与原理理解第 6 题请解释 LoRA（低秩适配）微调的核心原理。 考察对 LoRA 原理的理解及其在深度学习微调中的应用第 7 题你做过模型微调吗？可以讲讲具体是怎么做的吗？ 考察对微调流程、方法选择和效果验证的实际理解第 8 题LoRA 微调中，矩阵 A 和 B 分别如何初始化？为什么 B 初始化为 0 而 A 不用？ 考察 LoRA 初始化原理及其对训练稳定性的影响第 9 题除了LoRA，常见的参数高效微调方法还有哪些？ 考察对PEFT方法谱系的了解广度第 10 题在微调阶段，你会如何选择 Qwen 模型中适合 LoRA 微调的层？请说明理由。 考察对 LoRA 微调原理的理解及针对特定模型结构的层选择策略第 11 题请说明在哪些场景下会选择使用 LoRA 或 PEFT 技术，以及选择它们的理由。 考察对参数高效微调技术适用场景的理解与选型判断第 12 题LoRA相比于其他的微调方式有哪些优点和缺点？ 考察对参数高效微调技术的理解深度及对比分析能力第 13 题你在LoRA微调中具体做了哪些工作？ 考察对参数高效微调方法的理解、实操细节和工程落地能力第 14 题LoRA中的低秩矩阵是如何初始化的？为什么要采用这种初始化方式？ 考察对LoRA初始化细节和作用机制的理解第 15 题LoRA微调的核心原理是什么？ 考察对低秩适配方法本质的理解，包括参数高效微调的设计动机与实现机制第 16 题请介绍你在实验室项目中涉及 LoRA、RAG 和单 Agent 开发的具体工作，并说明你在其中的技术选型和实现思路。 考察候选人对自己项目技术细节的理解深度与实际动手能力第 17 题LoRA 论文中引入的 scale 参数起什么作用，如何设置？ 考察对 LoRA scale 超参数作用的理解第 18 题结合你的实践经验，LoRA 微调中有哪些需要注意的经验或常见坑？ 考察候选人在 LoRA 微调实践中的经验总结与问题解决能力第 19 题介绍你在微调项目中负责的工作，并谈谈大模型微调最重要的是什么？ 考察对微调全流程的参与深度及对微调核心要素的理解第 20 题请详细解释LoRA的原理、初始化方式及其原因，并与全参数微调（SFT）进行对比。 考察对LoRA核心机制、初始化策略和与全参数微调差异的理解