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 21 题针对大模型幻觉问题，你会如何应用所学知识来应对和解决？ 考察对大模型幻觉成因的理解及结合实际约束的解决策略第 22 题常见的大模型，或者说VLM（视觉语言模型）这块的模型，了解过哪些？ 考察对大模型和视觉语言模型生态的广度认知与理解深度第 23 题如何解决大模型的灾难性遗忘问题？ 考察对灾难性遗忘解决策略的知识广度与实现认知第 24 题请谈谈你对大模型技术发展现状与核心挑战的理解。 考察对大模型技术原理、应用趋势及局限性的认知深度第 25 题如何看待当前LLM和Agent的发展趋势？ 考察对行业趋势、技术演进的判断与个人见解第 26 题介绍一下大语言模型中的注意力机制，多头相比单头注意力有何优势？ 考察对注意力机制原理的理解及多头设计价值的掌握第 27 题如何实现并优化LLM的JSON结构化输出？请谈谈你的思路和注意事项。 考察对LLM结构化输出方法、约束机制及错误处理的掌握第 28 题你认为现在大模型对企业中开发的价值是什么？ 考察对大模型在开发场景中实际价值的理解和判断第 29 题大模型在训练和推理时显存不够，有哪些优化方法？ 考察对大模型显存瓶颈的理解及训练和推理阶段优化手段的掌握第 30 题长上下文（long context）是当前大语言模型的研究热点，你知道有哪些方法可以解决或缓解长上下文问题？ 考察对长上下文技术方案的系统理解与广度第 31 题讲一下SFT时会对哪部分计算loss？为什么？ 考察对监督微调损失计算位置及其原因的理解第 32 题你对大模型基础原理的了解是？ 考察对大模型核心概念和训练流程的基础认知第 33 题请解释GQA（分组查询注意力）和MLA（多头潜在注意力）等注意力机制的结构及其在LLM中的作用。 考察对前沿注意力机制原理的理解及在LLM中的应用第 34 题大模型在推荐系统中一般有哪些应用或应用方向？ 考察对大模型在推荐系统中应用方向的理解广度与深度第 35 题请说明监督微调（Supervised Fine-Tuning）在大模型部署流程中的主要作用，并简述部署时常用的优化手段。 考察对监督微调概念及模型部署优化的理解第 36 题什么是大语言模型的“上下文窗口”？扩展上下文窗口对模型性能有何影响？ 考察对大语言模型上下文窗口概念的理解及其扩展带来的性能权衡第 37 题请具体说明 LoRA 的原理和实现步骤。 考察对参数高效微调技术的深入理解与动手细节第 38 题大语言模型的损失函数通常是什么？给定一个10万词表的词汇表，如何计算其损失值？ 考察对语言模型训练目标的理解及交叉熵损失的计算能力第 39 题请介绍对编码模型（如代码生成模型）的了解，包括原理和优缺点。 考察对代码生成模型原理及局限的认知第 40 题项目中的OCR是怎么做的，为什么选择用大模型来做？ 考察OCR技术方案的设计理解与选型判断