万字面试题大模型面试，最全八股和答案

自ChatGPT开启大模型时代以来，大模型正迎来飞速发展，现在从事大模型开发相关工作可谓是处在时代的风口。那么大模型面试需要哪些技能和技巧呢，本文详细整理了全套的面试问题及答案，希望对大家有所帮助！

目录

• 大模型（LLMs）基础面
• 1. 目前 主流的开源模型体系 有哪些？
• 2. prefix LM 和 causal LM 区别是什么？
• 3. 涌现能力是啥原因？
• 4. 大模型LLM的架构介绍？
• 大模型（LLMs）进阶面
• 1. llama 输入句子长度理论上可以无限长吗？
• 1. 什么是 LLMs 复读机问题？
• 2. 为什么会出现 LLMs 复读机问题？
• 3. 如何缓解 LLMs 复读机问题？
• 1. LLMs 复读机问题
• 2. llama 系列问题
• 3. 什么情况用Bert模型，什么情况用LLaMA、ChatGLM类大模型，咋选？
• 4. 各个专业领域是否需要各自的大模型来服务？
• 5. 如何让大模型处理更长的文本？
• 大模型（LLMs）微调面
• 1. 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？
• 2. 为什么SFT之后感觉LLM傻了?
• 3. SFT 指令微调数据 如何构建?
• 4. 领域模型Continue PreTrain 数据选取？
• 5. 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？
• 6. 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？
• 7. 进行SFT操作的时候，基座模型选用Chat还是Base?
• 8. 领域模型微调 指令&数据输入格式 要求？
• 9. 领域模型微调 领域评测集 构建？
• 10. 领域模型词表扩增是不是有必要的？
• 11. 如何训练自己的大模型？
• 12. 训练中文大模型有啥经验？
• 13. 指令微调的好处？
• 14. 预训练和微调哪个阶段注入知识的？
• 15. 想让模型学习某个领域或行业的知识，是应该预训练还是应该微调？
• 16. 多轮对话任务如何微调模型？
• 17. 微调后的模型出现能力劣化，灾难性遗忘是怎么回事？
• 18. 微调模型需要多大显存？
• 19. 大模型LLM进行SFT操作的时候在学习什么？
• 20. 预训练和SFT操作有什么不同
• 21. 样本量规模增大，训练出现OOM错
• 22. 大模型LLM进行SFT 如何对样本进行优化？
• 23. 模型参数迭代实验
• 大模型（LLMs）langchain面
• 1. 基于LLM+向量库的文档对话 基础面
• 2. 基于LLM+向量库的文档对话 优化面
• 3. 基于LLM+向量库的文档对话 工程示例面
• 1. LLMs 存在模型幻觉问题，请问如何处理？
• 2. 基于LLM+向量库的文档对话 思路是怎么样？
• 3. 基于LLM+向量库的文档对话 核心技术是什么？
• 4. 基于LLM+向量库的文档对话 prompt 模板 如何构建？
• 1. 痛点1：文档切分粒度不好把控，既担心噪声太多又担心语义信息丢失
• 2. 痛点2：在基于垂直领域 表现不佳
• 3. 痛点3：langchain 内置 问答分句效果不佳问题
• 4. 痛点4：如何 尽可能召回与query相关的Document 问题
• 5. 痛点5：如何让LLM基于query和context得到高质量的response
• 1. 避坑记录
• 2. 本地知识库问答系统（Langchain-chatGLM）
• 1. 什么是 LangChain?
• 2. LangChain 包含哪些 核心概念？
• 3. 什么是 LangChain Agent?
• 4. 如何使用 LangChain ?
• 5. LangChain 支持哪些功能?
• 6. 什么是 LangChain model?
• 7. LangChain 包含哪些特点?
• 8. LangChain 如何使用?
• 9. LangChain 存在哪些问题及方法方案？
• 10. LangChain 替代方案？
• 1. LangChain 中 Components and Chains 是什么？
• 2. LangChain 中 Prompt Templates and Values 是什么？
• 3. LangChain 中 Example Selectors 是什么？
• 4. LangChain 中 Output Parsers 是什么？
• 5. LangChain 中 Indexes and Retrievers 是什么？
• 6. LangChain 中 Chat Message History 是什么？
• 7. LangChain 中 Agents and Toolkits 是什么？
• 1. LangChain 如何调用 LLMs 生成回复？
• 2. LangChain 如何修改 提示模板？
• 3. LangChain 如何链接多个组件处理一个特定的下游任务？
• 4. LangChain 如何Embedding & vector store？
• 1. LangChain 低效的令牌使用问题
• 2. LangChain 文档的问题
• 3. LangChain 太多概念容易混淆，过多的“辅助”函数问题
• 4. LangChain 行为不一致并且隐藏细节问题
• 5. LangChain 缺乏标准的可互操作数据类型问题
• 大模型（LLMs）langchain 面
• 基于LLM+向量库的文档对话 经验面
• 大模型（LLMs）参数高效微调(PEFT) 面
• 一、LoRA篇
• 二、QLoRA篇
• 三、AdaLoRA篇
• 四、LoRA权重是否可以合入原模型？
• 五、ChatGLM-6B LoRA后的权重多大？
• 六、LoRA 微调优点是什么？
• 七、LoRA微调方法为啥能加速训练？
• 八、如何在已有LoRA模型上继续训练？
• 1.1 什么是 LoRA？
• 1.2 LoRA 的思路是什么？
• 1.3 LoRA 的特点是什么？
• 2.1 QLoRA 的思路是怎么样的？
• 2.2 QLoRA 的特点是什么？
• 3.1 AdaLoRA 的思路是怎么样的？
• 一、为什么需要 提示学习（Prompting）？
• 二、什么是 提示学习（Prompting）？
• 三、提示学习（Prompting） 有什么优点？
• 四、提示学习（Prompting）有哪些方法，能不能稍微介绍一下它们间？
• 4.4.1 为什么需要 P-tuning v2？
• 4.4.2 P-tuning v2 思路是什么？
• 4.4.3 P-tuning v2 优点是什么？
• 4.4.4 P-tuning v2 缺点是什么？
• 4.3.1 为什么需要 P-tuning？
• 4.3.2 P-tuning 思路是什么？
• 4.3.3 P-tuning 优点是什么？
• 4.3.4 P-tuning 缺点是什么？
• 4.2.1 为什么需要 指示微调（Prompt-tuning）？
• 4.2.2 指示微调（Prompt-tuning）思路是什么？
• 4.2.3 指示微调（Prompt-tuning）优点是什么？
• 4.2.4 指示微调（Prompt-tuning）缺点是什么？
• 4.2.5 指示微调（Prompt-tuning）与 Prefix-tuning 区别 是什么？
• 4.2.6 指示微调（Prompt-tuning）与 fine-tuning 区别 是什么？
• 4.1.1 为什么需要 前缀微调（Prefix-tuning）？
• 4.1.2 前缀微调（Prefix-tuning）思路是什么？
• 4.1.3 前缀微调（Prefix-tuning）的优点是什么？
• 4.1.4 前缀微调（Prefix-tuning）的缺点是什么？
• 4.1 前缀微调（Prefix-tuning）篇
• 4.2 指示微调（Prompt-tuning）篇
• 4.3 P-tuning 篇
• 4.4 P-tuning v2 篇
• 一、为什么 需要 适配器微调（Adapter-tuning）？
• 二、适配器微调（Adapter-tuning）思路？
• 三、 适配器微调（Adapter-tuning）特点是什么？
• 四、AdapterFusion 思路 是什么？
• 五、AdapterDrop 思路 是什么？
• 六、AdapterDrop 特点 是什么？
• 七、MAM Adapter 思路 是什么？
• 八、MAM Adapter 特点 是什么？
• 微调方法是啥？如何微调？
• 为什么需要 PEFT？
• 介绍一下 PEFT？
• PEFT 有什么优点？
• 微调方法批处理大小模式GPU显存速度？
• Peft 和 全量微调区别？
• 多种不同的高效微调方法对比
• 当前高效微调技术存在的一些问题
• 高效微调技术最佳实践
• PEFT 存在问题？
• 能不能总结一下各种参数高效微调方法？
• 大模型（LLMs）参数高效微调(PEFT) 面
• 适配器微调（Adapter-tuning）篇
• 提示学习（Prompting）
• LoRA 系列篇
• 大模型（LLMs）推理面