滴滴面试题 · 技术原理 · tech:lora
滴滴相关面试题，按最终去重题目聚合。
共 2131 道真题 · 当前筛选命中 10 道 · 更新 2026-08-05
筛选题目已选：技术原理 · tech:lora
考察点
技术栈
第 1 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 2 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第 3 题为什么在微调大语言模型时，通常更倾向于使用 LoRA 而不是 Prefix Tuning？ 考察对两种参数高效微调方法的原理对比与适用场景理解第 4 题请解释LoRA的原理、初始化方式，以及为什么LoRA通常比全参数微调（SFT）更高效。 考察对LoRA低秩分解原理、初始化策略及其相对全参数微调优势的理解第 5 题你在项目中使用 LoRA 微调 LLM,请说明你设置的 rank、alpha 值,并分析它们对性能和收敛速度的影响。 考察对 LoRA 超参数作用机制的理解及实验分析能力第 6 题如何用LoRA做分类任务的微调？ 考察对LoRA原理、分类任务适配及微调流程的理解第 7 题在你的任务上，不同参数高效微调方法（如 LoRA 与 Adapter）的效果对比如何？ 考察对参数高效微调方法差异的理解及在具体任务中的实证分析能力第 8 题LoRA 的核心思想是什么？它为什么能显著降低大模型微调的显存和计算开销？ 考察对低秩适配原理及资源开销来源的理解第 9 题请介绍一下 LLaMA-Factory 框架的主要功能和适用场景。 考察对主流大模型微调框架的理解及工具选型能力第 10 题LoRA 微调时主要调整的是模型中的哪些部分？为什么通常关注注意力矩阵而暂不更新其他参数？ 考察对 LoRA 低秩适配机制及其参数选择原理的理解