人工智能面试题 · 技术原理 · LLM
人工智能相关岗位面试题。
共 11389 道真题 · 当前筛选命中 274 道 · 更新 2026-08-05
筛选题目已选：技术原理 · LLM
考察点
技术栈
第 1 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 2 题微调大模型的方法有哪些？ 考察对主流大模型微调方法的体系化理解与适用场景辨析第 3 题请解释一下GRPO算法及其原理。 考察对GRPO强化学习算法的理解与原理阐释能力第 4 题多模态大模型训练时，是只训练LLM部分，还是与ViT图像编码模块一起训练？ 考察对多模态模型训练策略、参数冻结与联合训练原理的理解第 5 题为什么对大模型进行微调会有效果？ 考察对大模型训练范式、迁移学习原理和微调机制的理解第 6 题在大模型训练中，学习率的作用是什么？如何理解？ 考察对学习率本质及训练动态影响的理解第 7 题LLM学习到的表征怎么跟推荐任务对齐？ 考察对LLM与推荐系统结合时表征对齐的理解和方案设计第 8 题这些大模型在结构上有哪些主要差异？ 考察对Transformer架构演化及模型结构差异的理解深度第 9 题什么是大模型幻觉现象？请分析其产生原因及业内常见的缓解方法。 考察对大模型幻觉机制的理解及工程缓解手段的掌握第 10 题大模型训练中，学习率一般设置为多少？ 考察对常用学习率范围及选择依据的了解第 11 题请说明 KV Cache 在 LLM 推理中的优化方法，并分析各自的适用场景与权衡。 考察对大模型推理优化技术（KV Cache）的原理理解与方案权衡能力第 12 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 13 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 14 题有哪些缓解大语言模型幻觉的工程方法？ 考察针对幻觉问题的实际解决手段与权衡第 15 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 16 题用大模型对 item 做语义 Embedding 有什么缺点？ 考察对大规模语义向量化方案的局限性和工程权衡的理解第 17 题请列举大语言模型评测中常用的基准数据集，并说明其特点。 考察对大语言模型主流基准数据集及适用范围的了解第 18 题你了解大模型在推荐系统中的哪些应用？ 考察对大模型与推荐系统结合的技术理解与知识广度第 19 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 20 题大模型幻觉产生的原因有哪些？ 考察对大模型幻觉成因的理解深度