大模型算法岗常见面试题100道（含答案）

暑期实习基本结束了，校招即将开启。不同以往的是，当前职场环境已不再是那个双向奔赴时代了。求职者在变多，HC 在变少，岗位要求还更高了。提前准备才是完全之策。

最近，我们又陆续整理了很多大厂的面试题，帮助一些球友解惑答疑，分享技术面试中的那些弯弯绕绕。

总结链接如下：《大模型面试宝典》(2024版) 正式发布！

大模型应该是目前当之无愧的最有影响力的AI技术，它正在革新各个行业，包括自然语言处理、机器翻译、内容创作和客户服务等等，正在成为未来商业环境的重要组成部分。

截至目前大模型已经超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关的岗位和面试也开始越来越卷了。

我总结了100道大模型算法岗位面试题（含答案），因篇幅限制，完整版，可以在我们社群获取：

技术交流&资料

技术要学会分享、交流，不建议闭门造车。一个人可以走的很快、一堆人可以走的更远。

成立了大模型算法技术交流群，相关资料、技术交流&答疑，均可加我们的交流群获取，群友已超过2000人，添加时最好的备注方式为：来源+兴趣方向，方便找到志同道合的朋友。

方式①、微信搜索公众号：机器学习社区，后台回复：加群
方式②、添加微信号：mlc2040，备注：来自CSDN + 技术交流

内容如下：

一、基础篇

1、目前主流的开源模型体系有哪些？

• Transformer体系：由Google提出的Transformer 模型及其变体，如BERT、GPT 等。

• PyTorch Lightning：一个基于PyTorch的轻量级深度学习框架，用于快速原型设计和实验。

• TensorFlow Model Garden：TensorFlow官方提供的一系列预训练模型和模型架构。

• Hugging Face Transformers：一个流行的开源库，提供了大量预训练模型和工具，用于NLP 任务。

2、prefix LM 和 causal LM 区别是什么?

prefix LM (前缀语言模型)：在输入序列的开头添加一个可学习的任务相关的前缀，然后使用这个前缀

和输入序列一起生成输出。这种方法可以引导模型生成适应特定任务的输出。

causal LM (因果语言模型)：也称为自回归语言模型，它根据之前生成的 token 预测下一个token。在

生成文本时，模型只能根据已经生成的部分生成后续部分，不能访问未来的信息。

3、涌现能力是啥原因?

涌现能力 (Emergent Ability) 是指模型在训练过程中突然表现出的新的、之前未曾预料到的能力。这种现象通常发生在大型模型中，原因是大型模型具有更高的表示能力和更多的参数，可以更好地捕捉数据中的模式和关联。

随着模型规模的增加，它们能够自动学习到更复杂、更抽象的概念和规律，从而展现出涌现能力。

3、大模型LLM的架构介绍?

大模型LLM(Large Language Models) 通常采用基于Transformer的架构。Transformer模型由多个编码器或解码器层组成，每个层包含多头自注意力机制和前馈神经网络。这些层可以并行处理输入序列中的所有位置，捕获长距离依赖关系。大模型通常具有数十亿甚至数千亿个参数，可以处理大量的文本数据，并在各种NLP任务中表现出色。

前馈神经网络 (Feedforward Neural Network) 是一种最基础的神经网络类型，它的信息流动是单向的，从输入层经过一个或多个隐藏层，最终到达输出层。在前馈神经网络中，神经元之间的连接不会形成闭环，这意味着信号在前向传播过程中不会回溯。前馈神经网络的基本组成单元是神经元，每个神经元都会对输入信号进行加权求和，然后通过一个激活函数产生输出。激活函数通常是非线性的，它决定了神经元的输出是否应该被激活，从而允许网络学习复杂和非线性的函数。

前馈神经网络在模式识别、函数逼近、分类、回归等多个领域都有应用。例如，在图像识别任务中，网络的输入层节点可能对应于图像的像素值，而输出层节点可能代表不同类别的概率分布。

训练前馈神经网络通常涉及反向传播 (Backpropagation) 算法，这是一种有效的学习算法，通过计算输出层的误差，并将这些误差信号沿网络反向传播，以调整连接权重。通过多次迭代这个过程，网络可以逐渐学习如何减少输出误差，从而实现对输入数据的正确分类或回归。

在设计和训练前馈神经网络时，需要考虑多个因素，包括网络的层数、每层的神经元数目、激活函数的选择、学习速率、正则化策略等，这些都对网络的性能有重要影响。

4、目前比较受欢迎的开源大模型有哪些?

GPT系列：由OpenAl开发的生成式预训练模型，如 GPT-3。

BERT系列：由Google开发的转换式预训练模型，如BERT、RoBERTa等。

T5系列：由Google开发的基于Transformer的编码器-解码器模型，如T5、mT5等。

5、目前大模型模型结构都有哪些?

• Transformer：基于自注意力机制的模型，包括编码器、解码器和编码器-解码器结构。

• GPT系列：基于自注意力机制的生成式预训练模型，采用解码器结构。

• BERT系列：基于自注意力机制的转换式预训练模型，采用编码器结构。

• T5系列：基于Transformer的编码器-解码器模型。

6、prefix LM 和 causal LM、encoder-decoder 区别及各自有什么优缺点?

7、模型幻觉是什么?业内解决方案是什么?模型幻觉是指模型在生成文本时产生的不准确、无关或虚构的信息。这通常发生在模型在缺乏足够信

8、大模型的Tokenizer的实现方法及原理?

9、ChatGLM3的词表实现方法?

10、GPT3、LLAMA、ChatGLM 的 Layer Normalization 的区别是什么?各自的优缺点是什么?

11、大模型常用的激活函数有哪些？

12、多查询注意力与群查询注意力是否了解?区别是什么?

13、多模态大模型是否有接触?落地案例?

二、进阶篇

1、llama输入句子长度理论上可以无限长吗?

LLaMA（Large Language Model Adaptation）模型的输入句子长度受到硬件资源和模型设计的限制。

理论上，如果硬件资源足够，模型可以处理非常长的输入句子。然而，实际上，由于内存和处理能力的限制，输入句子长度通常是有限制的。在实际应用中，开发者会根据具体需求和硬件配置来确定合适的输入句子长度。

2、什么是LLMs复读机问题?

LLMs复读机问题是指在某些情况下，大型语言模型在生成文本时会重复之前已经生成的内容，导致生成的文本缺乏多样性和创造性。

3、为什么会出现LLMs复读机问题?

LLMs复读机问题可能由多种因素引起，包括模型训练数据中的重复模式、模型在处理长序列时的注意力机制失效、或者模型在生成文本时对过去信息的过度依赖等。

4、如何缓解LLMs复读机问题?

数据增强：通过增加训练数据的多样性和复杂性，减少重复模式的出现。

模型改进：改进模型的结构和注意力机制，使其更好地处理长序列和避免过度依赖过去信息。

生成策略：在生成文本时采用多样化的策略，如抽样生成或引入随机性，以增加生成文本的多样性。

5、什么情况用Bert模型，什么情况用LLaMA、ChatGLM类大模型?BERT模型通常用于需要理解文本深层语义的任务，如文本分类、命名实体识别等。

LLaMA和 ChatGLM类大模型则适用于需要生成文本或进行更复杂语言理解的任务，如对话系统、文本生成等。选择哪种模型取决于任务的需求和可用资源。

6、各个专业领域是否需要各自的大模型来服务?

不同的专业领域需要特定的大模型来更好地服务。专业领域的大模型可以针对特定领域的语言 和知识进行优化，提供更准确和相关的回答和生成文本。

7、如何让大模型处理更长的文本?

• 使用模型架构，如Transformer, 它可以有效地处理长序列。

• 使用内存机制，如外部记忆或缓存，来存储和检索长文本中的信息。

• 使用分块方法，将长文本分割成更小的部分，然后分别处理这些部分。

• 大模型参数微调、训练、推理

8、如果想要在某个模型基础上做全参数微调，究竟需要多少显存?

全参数微调 (Full Fine-Tuning) 通常需要大量的显存，因为这种方法涉及到更新模型的所有参数。

显存的需求取决于模型的规模、批量大小、以及使用的硬件。例如，对于大型模型如GPT- 3,可能需要多个GPU甚至TPU来分配显存，每个GPU或TPU可能需要几十GB的显存。在实际操作中，需要进行试错法来确定合适的批量大小和硬件配置。

9、为什么SFT之后感觉LLM傻了?

SFT（Supervised Fine-Tuning）之后感觉LLM（Large Language Model）“傻了”，可能是因为微调过程中出现了以下问题：

• 过拟合：模型可能过度适应训练数据，导致在新数据上的泛化能力下降。

• 数据质量：如果训练数据质量不高，模型可能学到了错误的模式或偏见。

• 微调强度：微调的强度可能不够，导致模型没有充分适应新的任务。在这种情况下，模型可能没有学习到足够的特定领域的知识，因此在执行相关任务时表现不佳。

10、SFT指令微调数据如何构建?

11、领域模型Continue PreTrain数据选取?

12、领域数据训练后，通用能力往往会有所下降，如何缓解模型遗忘通用能力?

13、领域模型Continue PreTrain，如何让模型在预训练过程中就学习到更多的知识?

14、进行SFT操作的时候，基座模型选用Chat还是Base?

15、领域模型微调指令&数据输入格式要求?

16、领域模型微调领域评测集构建?

17、领域模型词表扩增是不是有必要的?

18、如何训练自己的大模型?

19、训练中文大模型有啥经验?

20、指令微调的好处?

21、预训练和微调哪个阶段注入知识的?

22、想让模型学习某领域或行业知识，是应该预训练还是应该微调?

23、多轮对话任务如何微调模型?

24、微调后的模型出现能力劣化，灾难性遗忘是怎么回事?

25、微调模型需要多大显存?

26、大模型LLM进行SFT操作的时候在学习什么?

27、预训练和SFT操作有什么不同?

28、样本量规模增大，训练出现OOM报错，怎么解决?

29、大模型LLM进行SFT如何对样本进行优化?

30、模型参数迭代实验步骤?

31、为什么需要进行参选微调?参数微调的原因有哪些?

32、模型参数微调的方式有那些?你最常用哪些方法?

33、prompt tuning 和 prefix tuning在微调上的区别是什么?

34、LLaMA-adapter 如何实现稳定训练?

35、LoRA原理与使用技巧有那些?

三、大模型 LangChain

1、LangChain包含哪些核心概念?

2、什么是LangChain Agent

3、如何使用LangChain?

4、LangChain支持哪些功能?

5、什么是 LangChain model?

6、LangChain包含哪些特点?

7、LangChain 如何使用?

四、大模型分布式训练

篇幅有限，略

五、大模型（LLMs）推理

篇幅有限，略