人工智能面试题 · 问题拆解 · LLM
人工智能相关岗位面试题。
共 11389 道真题 · 当前筛选命中 72 道 · 更新 2026-08-05
筛选题目已选：问题拆解 · LLM
考察点
技术栈
第 1 题在设计基于 LLM 的检索系统时，如何更好地引入和使用 Embedding？ 考察对 LLM Embedding 的本质理解、选型与质量评估能力第 2 题大语言模型在推理时出现“幻觉”现象的原因有哪些？ 考察对大语言模型幻觉成因的深入理解第 3 题请谈谈你对大模型底层原理的了解，包括Transformer架构和注意力机制。 考察对大模型核心技术原理的理解深度第 4 题请解释RoPE（旋转位置编码）的原理。 考察对位置编码机制的理解深度第 5 题请解释大模型推理时 top-p、top-k 和 temperature 参数各自的含义与作用。 考察对大模型采样策略中关键参数的理解第 6 题在微调 LLM 时，不同类别的训练数据配比是如何设置的？对效果有何影响？ 考察数据配比设计与调优能力第 7 题多个 LLM Agent 协同工作会引入哪些新的复杂性和挑战？ 考察对多智能体系统协作风险与工程挑战的识别能力第 8 题大模型的工具调用怎么实现？ 考察对大模型工具调用机制的理解与实现路径第 9 题针对大模型幻觉问题，你会如何应用所学知识来应对和解决？ 考察对大模型幻觉成因的理解及结合实际约束的解决策略第 10 题大模型在训练和推理时显存不够，有哪些优化方法？ 考察对大模型显存瓶颈的理解及训练和推理阶段优化手段的掌握第 11 题讲一下SFT时会对哪部分计算loss？为什么？ 考察对监督微调损失计算位置及其原因的理解第 12 题如何利用GPT或类似模型辅助提升数据集质量？ 考察利用生成式模型进行数据增强和质检的能力第 13 题大语言模型的损失函数通常是什么？给定一个10万词表的词汇表，如何计算其损失值？ 考察对语言模型训练目标的理解及交叉熵损失的计算能力第 14 题在缺少金标准数据的情况下，如何确保LLM生成数据的质量评估是可靠的？ 考察对无监督评估方法可靠性与局限性的理解第 15 题请解释大语言模型中Tokenization的基本原理和流程。 考察对Tokenization概念、流程及作用的理解第 16 题在LLM训练中，为什么要先进行SFT微调，再进行RL（如RLHF）对齐？ 考察对SFT与RL阶段作用与先后次序的深入理解第 17 题请分享你在实验室实习中关于LLM剪枝优化迁移的工作，并回答技术细节问题。 考察LLM剪枝迁移的项目设计与技术细节掌握第 18 题请谈谈你对图神经网络（GNN）与大型语言模型（LLM）结合的理解，包括结合的必要性、典型方法以及潜在挑战。 考察对GNN与LLM结合的技术背景、方法路径与难点认知第 19 题Zero Shot和Few Shot的区别是什么？ 考察对LLM提示学习与上下文学习机制的理解第 20 题在大模型监督微调（SFT）阶段，常用的数据集格式有哪些？请举例说明。 考察对SFT数据组织形式和构造方法的理解