2024年大数据最新大模型（LLMs）算法工程师的面试题_大模型开发工程师 面试问题，面试官必问的技术问题之一_llm算法工程师面试题

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

+ 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
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

• 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
• • 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？

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

系统化资料的朋友，可以戳这里获取](https://bbs.csdn.net/topics/618545628)**

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！