京东面试题 · tech:lora
京东相关面试题，按最终去重题目聚合。
共 2550 道真题 · 当前筛选命中 11 道 · 更新 2026-08-05
筛选题目已选：tech:lora
考察点
技术栈
第 1 题你会如何把 SDXL、ControlNet、LoRA 等技术产品化为可理解的用户功能(如“姿态复现/构图锁定/风格迁移/轻量微调”),同时控制学习成本与误用风险? 考察技术产品化能力、用户价值提炼、学习成本控制与风险边界管理第 2 题在什么场景下你会优先选择 LoRA 而不是其他参数高效微调方法？请结合具体场景说明。 考察根据任务特征选择合适微调方法的能力第 3 题你用过哪些大模型微调方式？请简述 LoRA 微调的原理。 考察对大模型微调方法的熟悉程度及对 LoRA 核心机制的理解第 4 题请分别说明LoRA和DeepSpeed的优缺点，以及在什么场景下适合使用它们？ 考察对模型微调与分布式训练工具的对比分析能力第 5 题请介绍你对LoRA微调的理解及其适用场景。 考察对LoRA微调原理、优势与应用边界的掌握第 6 题如果要运用 LoRA 来对电商推荐场景进行微调，你会如何设计相应的数据和标签呢？ 考察 LoRA 微调在推荐场景中的数据与标签设计能力第 7 题LoRA微调中alpha和rank参数如何选择？它们对模型的影响分别是什么？ 考察对LoRA超参数作用机理与实际选择策略的理解第 8 题如果要用 LoRA 做电商推荐场景的微调，你会怎么设计数据和标签？ 考察对 LoRA 微调的数据分布、标签构建和业务目标对齐的理解第 9 题模型微调用的是全参微调还是LoRA微调，为什么这么选？ 考察对LLM微调方法的理解、方案选型依据与资源权衡第 10 题请比较 LoRA 和 Prefix Tuning 在机制上的主要区别。 考察对两种参数高效微调方法机制差异的理解第 11 题LoRA 与 Prefix Tuning 有哪些主要区别？在什么场景下你会优先选择 LoRA？ 考察对大模型参数高效微调技术的理解深度与选型决策能力