游戏行业面试题 · 技术原理 · tech:transformer
游戏行业相关面试题，按题目行业基础数据聚合。
共 16059 道真题 · 当前筛选命中 30 道 · 更新 2026-08-05
筛选题目已选：技术原理 · tech:transformer
考察点
技术栈
第 1 题多头自注意力机制的作用是什么？ 考察对多头注意力动机和应用价值的理解第 2 题请解释Attention机制和Transformer架构的核心原理。 考察对深度学习核心机制的理解与表达能力第 3 题Transformer中LayerNorm放在哪个位置？请说明其计算方式。 考察对Transformer结构细节和LayerNorm计算的掌握程度第 4 题Transformer在自然语言处理中有哪些应用？ 考察对Transformer架构典型应用场景的广泛认知与归纳能力第 5 题嵌入层(Embedding Layer) 和 输出层(Output Layer) 是参数共享的吗? 考察对神经网络模型嵌入层与输出层参数共享机制的理解第 6 题在Transformer中，为什么Q、K、V要分别通过三个不同的线性映射获得？ 考察对Transformer注意力机制中QKV映射作用的理解第 7 题Transformer和CNN在目标检测中有什么相同和不同点 考察对CNN与Transformer在目标检测中结构差异和适用场景的理解第 8 题大模型中的注意力机制是如何工作的？它在大模型中起到了什么作用？ 考察对注意力机制原理及其在大模型中核心作用的理解深度第 9 题你知道Transformer的Norm怎么做的吗？ 考察对Transformer中归一化层的具体实现与作用的理解第 10 题为什么Transformer使用位置编码(Positional Encoding)? 考察自注意力机制无序列顺序内在表示的理解及位置编码的作用第 11 题你知道Transformer原始的FFN是什么结构吗？ 考察对Transformer前馈网络具体设计的记忆与理解第 12 题还了解哪些新的位置编码？ 考察对Transformer位置编码最新进展的了解与理解第 13 题请简述主流大语言模型在结构上的主要特点。 考察对大语言模型架构特点的整体认知第 14 题Transformer 架构中，Encoder 和 Decoder 有什么区别？ 考察对 Transformer 组件角色与工作机制的理解第 15 题请解释 Transformer 中 self-attention 的计算公式及各部分的意义，并说明为什么要除以缩放因子。 考察对 self-attention 数学原理和设计动机的理解第 16 题LLaMA使用的注意力机制是什么？ 考察对主流大模型注意力机制原理的掌握程度第 17 题如何理解多模态技术，并结合实际场景说明它的应用与挑战？ 考察对多模态概念的理解深度、实际应用认知和工程挑战识别第 18 题请说明BERT预训练的代码实现方式。 考察对BERT预训练原理及代码实现的掌握程度第 19 题UniAD的实现原理是什么？如何实现上层信息的聚合和传递？ 考察对UniAD框架中多任务特征聚合与信息流动机制的理解第 20 题QKV是什么？ 考察对大型语言模型注意力机制中QKV概念的理解