【NLP面试】大模型（NLP）岗位最新高频面题和面试经验总结，一定不要错过！！！（★思维导图版★）
🌟 嗨，你好，我是 青松 ！
🌈 自小刺头深草里，而今渐觉出蓬蒿。
NLP Github 项目推荐：
-
【AI 藏经阁】：https://gitee.com/fasterai/ai-e-book
介绍：该仓库主要分享了数百本 AI 领域电子书
-
【AI 算法面经】：fasterai/nlp-interview-handbook#面经
介绍：该仓库一网打尽互联网大厂NLP算法面经，算法求职必备神器
-
【大模型（LLMs）面试笔记】：https://gitee.com/fasterai/nlp-interview-handbook
介绍：该仓库汇总了 NLP 算法工程师高频面题，适合大模型初学者和正在准备面试的小伙伴。
希望能帮助各位同学缩短面试准备时间，不错过金三银四涨薪窗口，迅速收获心仪的Offer 🎉🎉🎉
文章目录
大模型（LLMs）高频面题全面整理（🌟2025 Offer 必备🌟）
全面总结了【大模型面试】的高频面题和答案解析，答案尽量保证通俗易懂且有一定深度。
适合大模型初学者和正在准备面试的小伙伴。
希望也能帮助你快速完成面试准备，先人一步顺利拿到高薪 Offer 🎉🎉🎉
一、大模型进阶面 🎯
💯【大模型进阶面 之 DeepSeek篇】 你必须要会的高频面题
- 一、概念篇
- 二、模型结构篇
- 三、预训练篇
- 四、有监督微调篇
- 五、强化学习篇
💯【大模型进阶面 之 模型编辑篇】 你必须要会的高频面题
- 模型编辑（Model Editing）核心目标是什么？
- 对比重新预训练和微调，模型编辑的优势和适用场景是什么？
- 如何用模型编辑修正大语言模型中的知识错误？
- 如何量化评估模型编辑的五大性质？
- 模型编辑局部性如何避免“牵一发而动全身”的问题？
- 知识缓存法（如SERAC）的工作原理是什么？
- 附加参数法（如T-Patcher）如何在不改变原始模型架构的情况下实现编辑？
- 知识缓存法和附加参数法的优缺点有何优缺点？
- ROME方法如何通过因果跟踪实验定位知识存储位置？
- 元学习法（如MEND）如何实现“学习如何编辑”？
- 元学习法的双层优化框架如何设计？
- More …
💯【大模型进阶面 之 模型压缩篇】 你必须要会的高频面题
- 💯 为什么需要对大模型进行压缩和加速？
- 💯 什么是低秩分解？
- 💯 什么是奇异值分解（SVD）？
- 💯 权值共享为什么有效？
- 💯 什么是模型量化？
- 💯 什么是混合精度分解？
- 💯 什么是基于反馈的知识蒸馏？
- 💯 什么是基于特征的知识蒸馏？
- 💯 模型蒸馏的损失函数是什么？
- 💯 描述一下剪枝的基本步骤？
- More …
💯【大模型进阶面 之 分布式训练篇】 你必须要会的高频面题
- PS架构和Ring-AllReduce架构有何不同？
- 什么是张量并行，如何使用集群计算超大矩阵？
- 讲一讲谷歌的GPipe算法？
- 讲一讲微软的PipeDream算法？
- ZeRO1、ZeRO2、ZeRO3分别做了哪些优化？
- 用DeepSpeed进行训练时主要配置哪些参数？
- More …
二、大模型微调面 🎯
💯【大模型微调面 之 SFT篇】 你必须要会的高频面题
- 💯 从零训练一个大模型有哪几个核心步骤？
- 💯 为什么要对LLM做有监督微调（SFT）？
- 💯 如何将一个基础模型训练成一个行业模型？
- 💯 如何准备SFT阶段的训练数据？
- 💯 如何自动生成指令构建SFT的训练数据？
- 💯 LM做有监督微调（SFT）变傻了怎么办？
- 💯 有监督微调（SFT）和人工偏好对齐（RLHF）有何区别？
- More …
💯【大模型微调面 之 PEFT篇】 你必须要会的高频面题
- 💯 全量微调与参数高效微调的区别是什么？
- 💯 什么是轻度微调？轻度微调有哪些常用方法？
- 💯 什么是BitFit微调？
- 💯 分层微调如何设置学习率？
- 💯 什么是适配器微调？适配器微调有哪些优势？
- 💯 讲一讲IA3微调？
- 💯 提示学习（Prompting） 代表方法有哪些？
- 💯 指令微调（Instruct-tuning） 和 提示学习（Prompting）的区别是什么？
- 💯 详细说明LoRA的工作原理及其优势？
- 💯 LoRA存在低秩瓶颈问题，ReLoRA和AdaLoRA分别通过哪些方法改进？
- 💯 动态秩分配（如AdaLoRA）如何根据层的重要性调整秩？
- More …
💯【大模型微调面 之 提示学习篇】 你必须要会的高频面题 查看答案
- 💯 提示学习（Prompting） 代表方法有哪些？
- 💯 前缀微调（Prefix-tining）的核心思想？
- 💯 提示微调（Prompt-tuning）的核心思想？
- 💯 P-tuning 的动机是什么？
- 💯 P-tuning v2 进行了哪些改进？
- 💯 提示微调（Prompt-tuning）与 Prefix-tuning 区别是什么？
- 💯 提示微调（Prompt-tuning）与 fine-tuning 区别是什么？
- More …
💯【大模型微调面 之 RLHF篇】 你必须要会的高频面题
- 💯 RLHF有哪几个核心流程？
- 💯 RLHF与SFT的本质区别是什么？为什么不能只用SFT？
- 💯 什么是人类偏好对齐中的"对齐税"(Alignment Tax)？如何缓解？
- 💯 在强化学习中，基于值函数的和基于策略的的优化方法有何区别？
- 💯 什么是近端策略优化（PPO）？
- 💯 RLHF中的PPO主要分哪些步骤？
- 💯 PPO中的重要性采样(Importance Sampling)如何修正策略差异？
- 💯 DPO如何通过隐式奖励建模规避强化学习阶段？
- 💯 DPO vs PPO：训练效率与性能上限的对比分析？
- 💯 RLHF训练数据的格式是什么样的？
- 💯 如何选择人类偏好对齐训练算法？
- More …
💯【大模型微调面 之 提示工程篇】 你必须要会的高频面题
- 💯 Prompt工程与传统微调的区别是什么？
- 💯 如何规范编写Prompt？
- 💯 上下文学习三种形式（零样本、单样本、少样本）的区别？
- 💯 如何通过预训练数据分布和模型规模优化上下文学习效果？
- 💯 思维链（CoT）的核心思想是什么？
- 💯 按部就班（如 Zero-Shot CoT、Auto-CoT）、三思后行（如 ToT、GoT）、集思广益（如 Self-Consistency）三种 CoT 模式有何异同？
- More …
三、大模型（LLMs）基础面 🎯
💯【大模型基础面 之 LLM架构篇】 你必须要会的高频面题
- 💯 LLM架构对Transformer都有哪些优化？
- 💯 什么是正弦（Sinusoidal）位置编码？
- 💯 什么是旋转位置编码（RoPE）？
- 💯 RoPE相对正弦位置编码有哪些优势？
- 💯 RoPE如何进行外推？
- 💯 如何进行位置线性内插（Position Interpolation）？
- 💯 NTK-Aware Scaled RoPE 和位置线性内插的区别是什么？
- 💯 PreNorm和PostNorm有何不同？
- 💯 为什么PreNorm通常能提升训练稳定性？
- 💯 为何使用 RMSNorm 代替 LayerNorm？
- 💯 LLM使用SwiGLU相对于ReLU有什么好处？
- 💯 SwiGLU的参数量是否会显著增加？如何优化？
- More …
💯【大模型基础面 之 注意力机制篇】 你必须要会的高频面题
- 💯 为什么要引入 Attention 机制？
- 💯 Soft Attention 是什么？
- 💯 Hard Attention 是什么？
- 💯 Self-Attention 是什么？
- 💯 多查询注意力（Multi-Query Attention）是什么？
- 💯 分组查询注意力（Grouped Query Attention）是什么？
- 💯 分页注意力（Paged Attention）是什么？
- 💯 闪存注意力（Flash Attention）是什么？
- More …
💯【大模型基础面 之 Transformer篇】 你必须要会的高频面题
- 💯 Transformer 整体结构是怎么样的？
- 💯 Transformer的输入中为什么要添加位置编码？
- 💯 Transformer的位置编码是如何计算的？
- 💯 Position encoding为什么选择相加而不是拼接呢？
- 💯 多头注意力相对于单头注意力有什么优势？
- 💯 Transformer中自注意力模块的计算过程？
- 💯 什么是缩放点积注意力，为什么要除以根号d_k？
- 💯 批归一化和层归一化的区别？
- 💯 Layer Normalization 有哪几个可训练参数？
- 💯 Transformer 中有几种 Mask？
- More …
四、NLP 任务实战面 🎯
💯【NLP 任务实战面 之 文本分类篇】 你必须要会的高频面题
- 如何用检索的方式做文本分类？
- 如何用Prompt的方式做文本分类？
- 使用LLM做文本分类任务为何需要做标签词映射（Verbalizer）？
- 文本分类任务中有哪些难点？
- 如何解决样本不均衡的问题？
- 如果类别会变化如何设计文本分类架构？
- More …
💯【NLP 任务实战面 之 实体识别篇】 你必须要会的高频面题
- 实体识别中有哪些难点？
- CRF为什么比Softmax更适合NER？
- 如何使用指针标注方式做NER任务？
- 如何使用多头标注方式做NER任务？
- 如何使用片段排列方式做NER任务？
- 实体识别有哪些常用的解码方式？
- 如何解决实体嵌套问题？
- 实体识别的数据是如何进行标注的？
- 如何解决超长实体识别问题？
- More …
💯【NLP 任务实战面 之 关系抽取篇】 你必须要会的高频面题
- 常见关系抽取流程的步骤是怎样的？
- 如何抽取重叠关系和复杂关系？
- 介绍下基于共享参数的联合抽取方法？
- 介绍下基于联合解码的联合抽取方法？
- 关系抽取的端到端方法和流水线方法各有什么优缺点？
- 在进行跨句子甚至跨段落的关系抽取时，会遇到哪些特有的挑战？
💯【NLP 任务实战面 之 RAG篇】 你必须要会的高频面题
- 用户问题总是召回不准确，在用户理解阶段可以做哪些优化？
- 文档问答中，如何构建索引，提升对用户问题的泛化能力？
- 如何合并多路检索的结果，对它们做排序？
- BM25检索器总是召回无关的知识，最可能的原因是什么？
- 如何构建重排序模型的微调数据？
- More …
五、NLP 基础面 🎯
💯【NLP 基础面 之 分词篇】 你必须要会的高频面题
💯【NLP 基础面 之 词嵌入篇】 你必须要会的高频面题
- 基于计数的表示方法存在哪些问题？
- CBOW 和 Skip-gram 哪个模型的词嵌入更好？
- Word2Vec的词向量存在哪些问题？
- 为什么说Word2vec的词向量是静态的？
- Word2Vec如何优化从中间层到输出层的计算？
- 负采样方法的关键思想的关键思想是什么？
- More …
💯【NLP 基础面 之 CNN篇】 你必须要会的高频面题
💯【NLP 基础面 之 RNN篇】 你必须要会的高频面题
💯【NLP 基础面 之 LSTM篇】 你必须要会的高频面题
- LSTM 如何缓解 RNN 梯度消失的问题?
- LSTM中记忆单元的作用是什么？
- LSTM有几个门，分别起什么作用？
- LSTM的前向计算如何进行加速？
- LSTM中的tanh和sigmoid分别用在什么地方？为什么？
- More …
💯【NLP 基础面 之 BERT模型篇】 你必须要会的高频面题
- 为什么说BERT是双向的编码语言模型？
- BERT 是如何区分一词多义的？
- BERT的输入包含哪几种嵌入？
- BERT的三个Embedding直接相加会对语义有影响吗？
- BERT模型输入长度超过512如何解决？
- 什么是 80-10-10 规则,它解决了什么问题？
- BERT 嵌入与 Word2Vec 嵌入有何不同？
- More …
💯【NLP 基础面 之 BERT变体篇】 你必须要会的高频面题
- ALBERT 使用的参数缩减技术是什么？
- RoBERTa 与 BERT 有什么不同？
- 在 ELECTRA 中，什么是替换标记检测任务？
- 如何在 SpanBERT 中掩盖标记？
- Transformer-XL 是怎么实现对长文本建模的？
- More …
💯【NLP 基础面 之 BERT实战篇】 你必须要会的高频面题
- BERT为什么不适用于自然语言生成任务（NLG）？
- 在问答任务中，如何计算答案的起始索引和结束索引？
- 如何将 BERT 应用于命名实体识别任务？
- 如何进行继续预训练？
- Bert 未登录词如何处理？
- BERT在输入层如何引入额外特征？
- More …
六、深度学习面 🎯
💯【深度学习面 之 激活函数篇】 你必须要会的高频面题
- 💯 为什么激活函数需要非线性函数？
- 💯 sigmoid 函数有什么缺点？
- 💯 tanh 函数作为激活函数有什么缺点？
- 💯 为什么选 relu 函数作为激活函数？
- 💯 为什么tanh收敛速度比sigmoid快？
- 💯 LLM使用SwiGLU相对于ReLU有什么好处？
- 💯 SwiGLU的参数量是否会显著增加？如何优化？
- More …
💯【深度学习面 之 优化器篇】 你必须要会的高频面题
- 💯 SGD是如何实现的？
- 💯 Momentum 是什么？
- 💯 Adagrad 是什么?
- 💯 RMSProp是什么？
- 💯 Adam 是什么?
- 💯 批量梯度下降（BGD）、随机梯度下降（SGD）与小批量随机梯度下降（Mini-Batch GD）的区别？
- More …
💯【深度学习面 之 正则化篇】 你必须要会的高频面题
- 💯 权重衰减的目的？
- 💯 L1 与 L2 的异同？
- 💯 为什么 L1 正则化 可以产生稀疏值，而 L2 不会？
- 💯 为什么Dropout可以解决过拟合问题？
- 💯 Dropout 在训练和测试阶段的区别是什么？
- 💯 如何选择合适的 Dropout 率？
- 💯 Dropout 和其他正则化方法（如 L1、L2 正则化）有何不同？
- More …
💯【深度学习面 之 归一化篇】 你必须要会的高频面题
- 💯 为什么归一化能提高求最优解速度？
- 💯 Batch Normalization 是什么？
- 💯 Layer Normalization 是什么？
- 💯 批归一化和组归一化的比较？
- 💯 批归一化和权重归一化的比较？
- 💯 批归一化和层归一化的比较？
- More …
💯【深度学习面 之 参数初始化篇】 你必须要会的高频面题
💯【深度学习面 之 过拟合篇】 你必须要会的高频面题
💯【深度学习面 之 模型评估篇】 你必须要会的高频面题
- 💯 混淆矩阵有何作用？
- 💯 什么是 F1-Score？
- 💯 什么是 Macro F1？
- 💯 什么是 Micro F1？
- 💯 什么是 Weight F1？
- 💯 Macro 和 Micro 有什么区别？
- 💯 ROC 曲线主要有什么作用？
- 💯 P-R 曲线有何作用？
- More …
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
