互联网/IT行业面试题 · 技术原理 · tech:llm
互联网/IT行业相关面试题，按题目行业基础数据聚合。
共 47588 道真题 · 当前筛选命中 160 道 · 更新 2026-08-05
筛选题目已选：技术原理 · tech:llm
考察点
技术栈
第 81 题如果让你用大模型解决数学推理问题，你会采用哪些主要方法和策略？ 考察对大模型数学推理技术路线与工程实践的掌握第 82 题你了解国内外哪些知名的大模型？ 考察候选人对大模型领域发展动态的关注度与知识广度第 83 题你了解大模型幻觉吗？请说明产生原因以及如何缓解大模型幻觉。 考察对大模型幻觉的理解深度与系统性缓解策略第 84 题手撕 RoPE：对比 llama GitHub 源码中 rope 介绍与你的实现，说明区别和改进点。 考察对旋转位置编码原理与源码理解的一致性及细节掌握第 85 题请谈谈你对大语言模型的了解，并说明强化学习在该领域的应用。 考察对大模型基础和强化学习应用的整体认知第 86 题大模型擅长做什么、不擅长做什么？ 考察对大模型能力边界和局限性的理解第 87 题如何提升大模型上下文长度的token处理能力？ 考察对模型上下文窗口扩展技术和相关优化策略的理解第 88 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 89 题什么是大模型的幻觉，如何缓解？ 考察对大模型幻觉概念的理解和实用缓解策略第 90 题讲一下 LoRA 微调的原理。 考察对大模型参数高效微调方法 LoRA 的核心机制理解第 91 题用LLM做文本分类时，如何选择encoder架构和decoder架构？ 考察对LLM架构原理及其在分类任务中适用性的理解第 92 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 93 题平时使用大模型时传入的超参数有哪些？它们分别有什么作用，又是如何影响模型回答的？ 考察对大模型推理阶段超参数的理解及应用能力第 94 题影响大模型回答准确率的因素有哪些？ 考察对大模型准确性影响因素的全面理解与系统化分析第 95 题请概述大模型后训练的典型流程，并说明各阶段的作用与相互关系。 考察对大模型后训练整体流程及各阶段目标的理解第 96 题请介绍ReAct架构的核心思想及其应用价值。 考察对ReAct架构原理与价值的理解第 97 题请描述你如何进行大模型监督微调（SFT）的完整流程。 考察对大模型监督微调流程、数据构造和训练细节的理解第 98 题如果大模型出现了幻觉，该怎么办？ 考察对大模型幻觉问题的理解、排查与缓解方案第 99 题微调大模型的方法有哪些？ 考察对主流大模型微调方法的体系化理解与适用场景辨析第 100 题在实际应用中，如何提高大模型（LLM）的推理效率和工作效率？请提出你的优化思路。 考察对大模型推理与工作流优化的理解与系统性思维