电商行业面试题 · 技术原理 · LLM
电商行业相关面试题，按题目行业基础数据聚合。
共 10617 道真题 · 当前筛选命中 65 道 · 更新 2026-08-05
筛选题目已选：技术原理 · LLM
考察点
技术栈
第 1 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 2 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 3 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 4 题在LLM推理里,我们经常听到一个词叫prefill,能解释一下它是什么意思吗? 考察对LLM推理阶段划分的理解,特别是prefill阶段的作用第 5 题你如何看待AI Agent当前的发展现状？ 考察对AI Agent技术演进、产品形态与行业应用的认知广度第 6 题LLM重复生成内容的问题如何缓解？ 考察对LLM生成文本重复现象的成因分析与工程化解法第 7 题请介绍你参与的大模型代码生成项目，包括项目目标、技术方案以及你个人的具体贡献。 考察候选人项目理解深度、技术方案设计能力与个人贡献的真实性第 8 题请谈谈你对大模型的了解以及你对大模型技术发展趋势的看法。 考察对大模型技术的认知深度、行业理解及个人见解第 9 题请谈谈你对大模型（AI/LLM）技术的理解。 考察对大模型核心原理、能力特点、局限性和应用前景的整体认知第 10 题请介绍KV Cache的原理及其在推理过程中的作用，并谈谈常见的优化和压缩方法。 考察对大模型推理KV Cache机制的理解及优化方案的设计能力第 11 题优化大模型的指令跟随能力与推理能力，哪个挑战更大？各自的关键难点是什么？ 考察对LLM能力维度的理解深度与对比分析第 12 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 13 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 14 题微调和RAG的优劣势分别是什么 考察对大语言模型应用中微调与RAG两种主流方法的技术理解与适用场景判断第 15 题为什么通常采用LLM最后一层隐藏状态做pooling？ 考察对语言模型表征生成机制的理解及其在下游任务中的应用第 16 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 17 题对比Zero-Shot、Few-Shot和In-Context Learning，它们在大语言模型中的应用场景和局限性分别是什么？ 考察对大语言模型提示范式差异的理解及实际取舍第 18 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 19 题请介绍一下你对大型语言模型微调（Fine-tuning）的理解，包括其目的、常用方法以及适用场景。 考察对模型微调技术原理、常用方法的掌握及场景判断能力第 20 题最近大模型的落地应用哪些让你印象深刻？ 考察对大模型实际应用案例的关注、洞察及技术理解深度