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 201 题对比Zero-Shot、Few-Shot和In-Context Learning，它们在大语言模型中的应用场景和局限性分别是什么？ 考察对大语言模型提示范式差异的理解及实际取舍第 202 题请详细解释LoRA（低秩适配）的原理，说明它为什么能大幅减少微调参数量。 考察对LoRA技术原理和参数高效微调机制的理解第 203 题你认为大模型相比之前的AI技术，本质上解决了什么问题？为什么人们对它抱有这么高的期待？ 考察对大模型技术本质的理解及对行业影响的判断第 204 题你了解或使用过哪些主流大语言模型？ 考察对大语言模型生态的广度认知与主动了解程度第 205 题减少大模型幻觉，你用过哪些方法？ 考察对幻觉成因的理解及系统性缓解方法第 206 题能够保证大模型两次输出的结果一样吗？为什么？ 考察对生成式模型随机性与可控性的理解第 207 题在大语言模型应用开发中，为什么需要对预训练生成模型进行微调？如果不对模型做微调，多大的模型能够直接满足业务需求？ 考察对微调必要性、任务适配与模型规模选择的理解第 208 题为什么现在大模型输入和输出价格不一样？ 考察对LLM定价机制和算力成本结构的理解第 209 题在大语言模型应用中，如何减少或避免幻觉现象？ 考察对幻觉成因和缓解方法的理解第 210 题手撕 RoPE：对比 llama GitHub 源码中 rope 介绍与你的实现，说明区别和改进点。 考察对旋转位置编码原理与源码理解的一致性及细节掌握第 211 题请解释大语言模型监督微调（SFT）中常用的损失函数及其计算公式。 考察对监督微调核心损失函数的理解与表达能力第 212 题在训练或部署大语言模型时，如何实现并保证模型的可控性？请结合具体技术手段说明。 考察对模型可控性技术手段的系统理解与实践把握第 213 题大模型SFT(监督微调)解决不了业务问题吗?为什么还要引入强化学习。强化学习主要解决业务中的什么问题 考察对SFT与强化学习在大模型训练中分工及业务价值差异的理解第 214 题大模型SFT解决不了业务问题吗？为什么还要引入强化学习？强化学习主要解决业务中的什么问题？ 考察对SFT与强化学习在大模型训练中定位差异的理解，及强化学习针对的业务目标第 215 题对于大模型SFT、RAG、MCP、RL等不同的技术路径,你认为有什么区别,适用什么样的场景,大概介绍一下 考察对大模型不同技术路径的原理、适用场景及选型权衡的理解第 216 题有没有大模型相关的微调经验？ 考察大模型微调的实践经历、方法掌握和工程落地能力第 217 题除了大模型幻觉，目前大模型还存在哪些问题？ 考察对大模型局限性的整体认知和系统性思考第 218 题在大模型中，模型参数如何影响模型的学习和优化？ 考察对大模型参数量、容量、训练动态和优化难点之间关系的理解第 219 题如何评估一个大型语言模型（LLM）的综合能力？ 考察对LLM评估方法论、指标和实际应用的理解第 220 题假设强化学习结合大模型，如何解决动作空间维度大的问题？ 考察结合大模型进行强化学习时对高维动作空间的建模与降维策略