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 361 题请解释多头自注意力机制的原理，并分析其计算复杂度。 考察对Transformer核心机制的理解及复杂度分析能力第 362 题场景题：如何从海量文档中找到包含敏感词的文档，敏感词的数量级也很大。 考察大规模文本匹配的算法选型、索引设计与性能优化第 363 题QLoRA训练时量化背景下，如何保证训练稳定性和效果？ 考察对QLoRA原理和训练实践的掌握第 364 题在RAG系统中，面对大规模数据，如何实现快速检索与召回？ 考察规模场景下的召回效率、检索架构与性能优化第 365 题为什么不直接把tool调用的工具输出后放到prompt里给到LLM？ 考察对Agent工具调用机制、上下文限制与结果回传设计的理解第 366 题在信号处理或数据处理场景中，你是如何进行降采样的？ 考察对降采样原理、方法及避免混叠的掌握第 367 题你的项目中涉及多少计算资源（例如使用了多少张GPU卡）？是否涉及并行计算？你是如何提高计算效率的？ 考察对计算资源规划、并行计算理解及效率优化能力第 368 题批量训练怎么实现的，样本间长度不一怎么解决？ 考察深度学习批量训练原理与变长序列处理第 369 题RAG有哪些可优化的地方？ 考察对RAG架构各环节的优化能力和系统性理解第 370 题场景题：假如一个Agent推理链路包含3个工具且高频请求，系统整体延迟较高，你会如何优化？ 考察对Agent链路延迟优化的系统性思考与性能优化能力第 371 题请手写实现一个LoRA模块，并说明它的核心原理和优势。 考察对LoRA机制的理解及代码实现能力第 372 题如何计算LLM占用的内存大小？ 考察对大型语言模型内存占用量化的理解，包括参数、激活、优化器状态等因素第 373 题请讲解 Flash Attention 的核心原理与实现要点。 考察对高效注意力机制的理解，包括内存、IO 和数值精度第 374 题请解释VLLM的基本原理。 考察对大模型推理框架核心机制的理解第 375 题请介绍你在项目中的 RAG 架构设计，以及如何提升召回效果？ 考察对 RAG 流程的理解、召回优化方法和量化评估能力第 376 题大模型推理成本高，主要消耗在哪些地方？ 考察对大模型推理资源消耗构成的理解与成本优化意识第 377 题对于遥感图像来说，一般图像的分辨率很高、图像很大，并且图像上的目标较小，针对这两个问题是怎么解决的？ 考察对高分辨率、大尺寸、小目标遥感图像处理的技术方案与工程权衡第 378 题怎么加强大模型记忆机制？ 考察对大模型长短期记忆技术方案的理解与权衡第 379 题请分别介绍vLLM、模型量化以及KV Cache优化的主要原理和常用技巧。 考察对大模型推理加速关键技术的理解深度与系统性第 380 题请介绍什么是访存密集型算子，并说明它们的特点与优化思路。 考察对访存密集型算子特征的理解及性能优化方法