大模型（LLMs）算法工程师的面试题_大模型开发工程师 面试问题(3)_llm大模型面试材料

+ 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**
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38

• 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
• • 1. 为什么大模型推理时显存涨的那么多还一直占着？
    • 2. 大模型在gpu和cpu上推理速度如何？
    • 3. 推理速度上，int8和fp16比起来怎么样？
    • 4. 大模型有推理能力吗？
    • 5. 大模型生成时的参数怎么设置？
    • 6. 有哪些省内存的大语言模型训练/微调/推理方法？
    • 7. 如何让大模型输出合规化
    • 8. 应用模式变更
• 大模型（LLMs）评测面
• • 大模型怎么评测？
    • 大模型的honest原则是如何实现的？
    • 模型如何判断回答的知识是训练过的已知的知识，怎么训练这种能力？
• 大模型（LLMs）强化学习面
• • 奖励模型需要和基础模型一致吗？
    • RLHF 在实践过程中存在哪些不足？
    • 如何解决 人工产生的偏好数据集成本较高，很难量产问题？
    • 如何解决三个阶段的训练（SFT->RM->PPO）过程较长，更新迭代较慢问题？
    • 如何解决 PPO 的训练过程同时存在4个模型（2训练，2推理），对计算资源的要求较高 问题？
• 大模型（LLMs）软硬件配置面
• 大模型（LLMs）训练集面
• • SFT（有监督微调）的数据集格式？
    • RM（奖励模型）的数据格式？
    • PPO（强化学习）的数据格式？
    • 找数据集哪里找？
    • 微调需要多少条数据？
    • 有哪些大模型的训练集？
    • 进行领域大模型预训练应用哪些数据集比较好？
• 大模型（LLMs）显存问题面
• 大模型（LLMs）分布式训练面
• 大模型（LLMs）agent 面
• • 如何给LLM注入领域知识？
    • 如果想要快速体验各种模型，该怎么办？
• Token及模型参数准备篇
• • 预训练数据 Token 重复 是否影响 模型性能？
    • SFT需要训练Token数？
• LLMs 位置编码篇
• • 6.1 ALiBi (Attention with Linear Biases) 思路是什么？
    • 6.2 ALiBi (Attention with Linear Biases) 的偏置矩阵是什么？有什么作用？
    • 6.3 ALiBi (Attention with Linear Biases) 有什么优点？
    • 6.4 ALiBi (Attention with Linear Biases) 被哪些 LLMs 应用？
    • 5.1 什么是 长度外推问题？

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取

识点，真正体系化！**

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取