人工智能面试题 · 性能优化
人工智能相关岗位面试题。
共 11389 道真题 · 当前筛选命中 605 道 · 更新 2026-08-05
筛选题目已选：性能优化
考察点
技术栈
第 261 题CPT后如何检验模型的通用能力是否退化？ 考察通用能力评估方法与退化检测意识第 262 题调参是怎么调的，有什么依据？ 考察候选人调参的实践方法、理论依据与系统性思维第 263 题在RAG的过滤阶段，你通常如何处理召回结果中的噪声和冗余信息？ 考察对RAG过滤环节的理解与实际处理能力第 264 题二维的attention mask矩阵是一个耗显存的操作，有什么优化策略？比如用一维的实现二维的功能之类的。 考察对大语言模型推理与训练中attention mask内存优化策略的理解第 265 题如何为多头注意力模块添加正则化或增强策略以提升训练稳定性？ 考察模型训练的工程优化与设计能力第 266 题请对 emplace_back(move(...))、push_back(move(...))、emplace_back()、push_back() 在添加临时对象时的性能进行排序，并解释原因。 考察C++容器插入操作中拷贝/移动/原地构造的差异与性能理解第 267 题vLLM 是如何通过 PagedAttention 提升显存利用率的？ 考察对 PagedAttention 机制细节和显存优化原理的理解第 268 题你的算法链路中是否包含预处理环节？如果有，它起到了什么作用？ 考察对数据预处理必要性和影响的整体认识第 269 题请介绍你在项目中提升模型吞吐量的具体方法。 考察对模型推理性能优化的理解与工程实践能力第 270 题结合你的部署实践，如何优化大模型的推理延迟和吞吐？ 考察推理性能优化方法与工程落地能力第 271 题请实现Self-Attention机制并说明其计算流程和复杂度。 考察Self-Attention的数学实现与复杂度分析第 272 题在机器学习项目中，你通常如何进行数据增强？请结合你实际使用的场景说明具体方法。 考察对数据增强技术及其适用场景的理解和应用能力第 273 题请讲解vLLM中KV Cache的工作原理。 考察对vLLM KV Cache机制及其性能优化作用的理解第 274 题请详细说明YOLO项目的具体实现过程，包括模型融合方案、轻量化处理以及量化部署的具体做法。 考察对YOLO算法实现、优化及部署的深入理解第 275 题量化好的模型到真正上硬件部署进行后端推理，不考虑模型前后处理部分，还有哪些步骤要做？ 考察模型量化后部署全流程的认知，包含格式转换、编译优化、推理框架适配与性能验证第 276 题你了解大模型微调吗？请说明QLoRA的原理。 考察对大模型微调方法及QLoRA技术原理的理解深度第 277 题在业务场景中用神经网络建模时，如果遇到欠拟合，你会如何排查和解决？ 考察模型欠拟合的识别、原因分析与常见解决办法第 278 题推荐系统里正负样本不均衡，需要对负样本下采样，那么预测结果的偏移如何纠正？ 考察下采样导致概率偏移的原理及校正方法第 279 题如何设计提示词或对话上下文来有效利用模型的KV Cache机制？ 考察对LLM推理中KV Cache原理的理解及上下文设计优化第 280 题LoRA微调在生产环境的部署经验有哪些？ 考察LoRA微调后的模型在生产部署中的实践与经验