人工智能面试题 · Transformer
人工智能相关岗位面试题。
共 11389 道真题 · 当前筛选命中 804 道 · 更新 2026-08-05
筛选题目已选：Transformer
考察点
技术栈
第 301 题为什么KV Cache对长上下文推理尤其关键？ 考察对长上下文推理复杂度与缓存依赖的理解第 302 题说说CNN和Transformer区别 考察对卷积神经网络与Transformer架构核心差异及其适用场景的理解第 303 题BERT和Transformer的区别是什么？ 考察对模型架构演进和预训练任务的理解第 304 题请介绍 Transformer 的核心架构，并说明自注意力机制是如何工作的。 考察对 Transformer 架构与自注意力机制的理解深度第 305 题如何优化Transformer中计算量最大的模块（自注意力）？ 考察对自注意力优化的多种方法及权衡的理解第 306 题Transformer在自然语言处理中有哪些应用？ 考察对Transformer架构典型应用场景的广泛认知与归纳能力第 307 题请简要介绍BERT和Transformer的基本结构及主要区别。 考察对BERT和Transformer基础架构的理解与对比第 308 题Transformer、CNN、LSTM的区别 考察对三种主流神经网络结构原理、适用场景和优缺点的理解第 309 题手写实现Transformer编码器中的多头注意力机制（MHA），并简要说明各步骤。 考察对Transformer编码器与多头注意力机制的理解及代码实现能力第 310 题Transformer训练过程中为什么容易出现梯度消失或爆炸问题？ 考察对Transformer训练稳定性的原理理解和优化手段第 311 题请介绍 Transformer 的核心架构和关键组件。 考察对 Transformer 模型的原理理解和表达能力第 312 题讲下Transformer结构 考察对Transformer整体架构与核心组件的理解第 313 题请解释旋转位置编码（RoPE）的原理。 考察对RoPE位置编码数学原理和实现细节的理解第 314 题Transformer 中为什么使用 Layer Normalization（LN）而不是 Batch Normalization（BN）？ 考察对 LN 与 BN 区别及在序列模型中的适用性的理解第 315 题请解释Self-Attention机制的原理。 考察对自注意力机制核心概念和计算过程的理解第 316 题请介绍Transformer的核心结构组成，并解释其关键设计意图。 考察对Transformer架构原理的深入理解。第 317 题Transformer的FFN层为什么会逐渐演变成MOE层？ 考察对Transformer中FFN与稀疏专家路由演进逻辑的理解第 318 题Baichuan和Qwen系列模型在设计上有哪些主要区别？ 考察对大模型家族技术路线和控制点的理解第 319 题请说明自注意力机制中权重矩阵的参数量如何计算，并解释各矩阵的维度。 考察对自注意力机制中参数结构的理解与计算能力第 320 题在 DIN（Deep Interest Network）中，Attention 的计算方式与标准 Transformer 的 Attention 有何不同？ 考察对 DIN 中局部激活单元（Attention 机制）的理解及其与 Transformer Attention 的对比