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 221 题请介绍你对 DAPO 的了解，并阐述它的主要创新点。 考察对 DAPO 算法原理与创新点的理解深度第 222 题请谈谈你对多模态和大模型技术的了解。 考察对多模态与大模型基础概念的掌握及技术理解深度第 223 题探讨LLM是否适合生成embedding，分析encoder和decoder架构的适配性，以及Decoder-only架构的Qwen用作encoder的原因。 考察对LLM架构差异、embedding生成原理及模型适配性的理解第 224 题请概述大语言模型强化学习的关键发展阶段及各自的核心技术思想。 考察对LLM强化学习演进脉络的理解与表述能力第 225 题在DPO训练中，你遇到过不收敛的问题吗？如何排查和解决？ 考察DPO训练不收敛的排查思路与解决能力第 226 题LoRA 与全参数微调的核心区别是什么？在显存占用和训练效率上各有什么优劣？ 考察对 LoRA 原理及其在资源效率上相对全参数微调优势的理解第 227 题请介绍大语言模型（LLM）的典型架构，并说明监督微调（SFT）与参数高效微调（PEFT）的主要区别和适用场景。 考察对LLM基础架构与微调方法的理解深度第 228 题请解释什么是大语言模型的“涌现能力”。 考察对大语言模型涌现能力概念的理解第 229 题请说明在监督微调（SFT）中损失函数的具体计算方式，以及它与预训练阶段损失计算的异同。 考察对SFT训练目标、损失函数来源及与预训练区别的理解第 230 题请介绍MLA（Multi-head Latent Attention）及其与KV Cache的关系。 考察对大模型注意力机制优化和推理缓存机制的理解第 231 题如何优化大模型训练速度？ 考察对大模型训练性能优化方法、理论依据和实践细节的掌握第 232 题大模型有哪些微调方法？ 考察对大模型微调技术分类和适用场景的理解第 233 题主流 LLM 一般包含哪些架构组成？ 考察 LLM 基础架构组成与工作原理第 234 题请分析大模型幻觉产生的主要原因，并简述如何通过技术手段缓解幻觉现象。 考察对大模型幻觉成因的理解及缓解方法的掌握第 235 题在实际应用中，如何提高大模型（LLM）的推理效率和工作效率？请提出你的优化思路。 考察对大模型推理与工作流优化的理解与系统性思维第 236 题在训练或微调 LLM、VLM 时，你有哪些心得？ 考察模型训练与微调的实践经验、方法论和问题排查能力第 237 题你觉得LLM的原子能力有哪些，它为什么能被用来做应用？ 考察对LLM核心能力的理解及其应用基础第 238 题在构建或使用Agent系统时，如果遇到Agent幻觉编造出不存在的工具或函数，你通常如何定位和解决这类问题？ 考察对LLM Agent工具调用幻觉的识别、排查与防范能力第 239 题如何防止客服对话场景中的大语言模型出现串台问题？ 考察对 LLM 多轮对话中上下文隔离与记忆管理的能力第 240 题大模型在输出结果之前的等待时间,在做什么? 考察对大模型推理过程的理解，包括预填充、排队和资源调度