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 161 题怎么解决大模型幻觉？ 考察对大模型幻觉成因、检测与缓解手段的系统理解第 162 题什么是大模型的幻觉，如何减轻幻觉问题？ 考察对大模型幻觉概念的理解与工程化缓解手段第 163 题请解释大模型中的长期记忆与短期记忆分别指什么，并说明它们各自的特点。 考察对大模型记忆机制概念的理解第 164 题大模型智能体(Agent)的工作原理和组成部分 考察对大模型智能体架构、核心组件及其协作机制的理解第 165 题请介绍你进行大模型微调的整体流程，包括数据准备、训练策略和效果评估。 考察大模型微调的实际操作经验与关键环节把控第 166 题用大模型生成文本向量时，维度通常很大，怎么解决维度爆炸的问题？ 考察对大模型嵌入向量高维特性的理解及降维处理能力第 167 题在大模型推理阶段，KV Cache 的作用是什么？ 考察对大模型推理中缓存机制原理和性能影响的理解第 168 题有没有了解Agent和RAG，请解释一下它们的原理。 考察对Agent与RAG技术原理的理解深度和准确性第 169 题你在做微调的时候，怎么解决遗忘的问题？ 考察对微调过程中灾难性遗忘问题的理解与应对能力第 170 题请分享你在大语言模型有监督微调（SFT）中的调参经验，重点说明关键超参数的选择依据和调整方法。 考察对大模型SFT关键超参数的理解、实践经验与调参方法论第 171 题大模型工具调用的实现方式 考察对大模型工具调用机制和实现细节的理解第 172 题你认为通用大模型和垂类小模型未来会形成怎样的分工？ 考察对AI模型生态演化趋势的洞察和逻辑推理能力第 173 题请解释 Token 在大语言模型中的含义，以及它与模型效果的关系。 考察对 Token 化与关联影响的掌握第 174 题请说明大语言模型预训练的基本流程，包括输入数据的构成和训练方式。 考察对大模型预训练流程、输入格式和训练目标的理解第 175 题请介绍你参与的大模型相关项目，并说明你在模型微调方面的具体工作和经验。 考察大模型项目经验与微调技术的实践理解第 176 题在你使用LLM解决该分类问题的场景中，相比传统分类模型，它的优势具体体现在哪里？ 考察对LLM相对传统分类模型优势的理解深度第 177 题你最近关注过哪些关于大模型预训练的前沿研究？请选择一篇你印象深刻的论文，介绍它试图解决什么问题、采用了什么方法，以及你认为它的启发或局限是什么。 考察候选人是否持续追踪前沿研究，以及其对论文的提炼、评价和批判性思考能力第 178 题请概述大模型后训练的典型流程，并说明各阶段的作用与相互关系。 考察对大模型后训练整体流程及各阶段目标的理解第 179 题请从效果、参数量、显存占用、部署影响和适用场景等角度，对比LoRA与全量SFT的差异。 考察对LoRA和SFT权衡的理解以及技术选型能力第 180 题如何评估一个大型语言模型（LLM）的质量？请列出你认为重要的评估维度、常用方法，并说明各自的适用场景。 考察对LLM评估维度的系统理解、方法掌握与实际适用性判断