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 61 题请谈谈你对图神经网络（GNN）与大型语言模型（LLM）结合的理解，包括结合的必要性、典型方法以及潜在挑战。 考察对GNN与LLM结合的技术背景、方法路径与难点认知第 62 题请解释大模型推理速度慢的主要原因，并说明如何优化。 考察对大模型推理性能瓶颈的理解及优化思路第 63 题Zero Shot和Few Shot的区别是什么？ 考察对LLM提示学习与上下文学习机制的理解第 64 题当前大语言模型的推理能力达到了什么样的程度？ 考察对LLM推理能力现状、局限和评测基准的理解第 65 题请阐述元学习与大模型结合的技术思路和应用场景。 考察对元学习与大模型结合的技术理解与场景应用第 66 题大模型输出前后不一致怎么办，如何确保大模型输出内容的一致性？ 考察对大模型生成随机性与输出一致性控制方法的理解第 67 题请分别解释 RAG、MCP、Tool Calling 和 Agent 的核心概念，并说明它们之间的关系以及在实际应用中的典型使用场景。 考察对新兴 AI 技术概念的理解、区分及实际应用能力第 68 题请解释LLM解码过程中常用的采样参数top-k、top-p和Temperature各自的作用，并说明它们之间的区别。 考察对LLM解码机制及采样参数原理与区别的理解第 69 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 70 题请介绍ReAct架构的核心思想及其应用价值。 考察对ReAct架构原理与价值的理解第 71 题如何设计并实施针对大模型的思维链（CoT）微调和监督微调（SFT）流程？ 考察对LLM训练流程中CoT和SFT的理解及实操能力第 72 题你了解 LangChain 吗？请说明它的工作机制。 考察框架认知、核心抽象理解与组件协作逻辑第 73 题请解释大语言模型生成时温度（temperature）、top-p 和 top-k 这几个采样参数的原理，以及它们之间的搭配对生成结果的影响。 考察对 LLM 采样机制的深入理解与实际调参经验第 74 题大模型的温度系数、top-k 和 top-p 采样分别有什么作用？它们之间有什么区别？ 考察对大模型生成策略参数的原理理解与区别辨析第 75 题请介绍一个你熟悉的大模型基础概念或原理，并说明它在实际应用中的意义。 考察对大模型基础知识的掌握程度及对实践意义的理解第 76 题你了解大模型推荐的微调这个概念吗？ 考察对大模型微调概念、类型和应用场景的理解第 77 题训练或微调一个大型语言模型（LLM）的完整流程是怎样的？ 考察对LLM预训练、微调及评估全流程的掌握程度第 78 题请你谈谈对大型语言模型（LLM）内部工作机制的理解，并举例说明其关键组成部分。 考察对大模型核心原理的掌握程度与概念准确性第 79 题请具体说明在大型语言模型应用中，缓解模型幻觉的常用方法有哪些？ 考察对LLM幻觉成因及主流缓解策略的理解与应用第 80 题你了解大模型幻觉吗？请说明产生原因以及如何缓解大模型幻觉。 考察对大模型幻觉的理解深度与系统性缓解策略