人工智能面试题 · LLM
人工智能相关岗位面试题。
共 11389 道真题 · 当前筛选命中 332 道 · 更新 2026-08-05
筛选题目已选：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 题能讲讲你学习大模型的路线吗？ 考察候选人学习路径、方法自驱性与技术深度第 3 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 4 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 5 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 6 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 7 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 8 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 9 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 10 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 11 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 12 题如何实现大模型相关技术的产业落地？ 考察对大模型实际落地路径、场景选择与工程挑战的理解第 13 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 14 题对LLM4Rec的后续迭代方向有什么见解？ 考察对推荐系统与大型语言模型结合的前沿理解及技术规划能力第 15 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 16 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 17 题在学校做的LLM微调项目中，你遇到了哪些问题？ 考察候选人在LLM微调实践中的问题识别、定位与解决能力第 18 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 19 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 20 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