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(1)_面试题 lora微调 vs

+ 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

• 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&