ENTERPRISE · ALL
项目实战与企业级 · 全部题目
共 787 篇，本页第 529-576 篇。← 回到学习路径视图
No.1558What challenges do re-rankers face regarding computational overhead and latency面试官想看你是否真正理解 reranker 在工业级 RAG 系统中的工程落地问题，而非仅停留在“交叉编码器比双编码器准…→No.1559Which metrics (e.g., MRR, MAP, NDCG) would you prioritize and why面试官想看你是否真正理解排序指标背后的业务语义，而非死记硬背公式。考察类型是工程取舍与系统设计的结合。刁钻点在于：候选人…→No.1560If your retriever achieves high context precision but low context recall, what types of user queries would likely suffer most面试官想考察你是否能跳出“Precision/Recall 只是数字”的思维，真正理解检索器在真实用户查询上的行为差异。…→No.1561Compare the noise reduction capabilities of re-rankers versus simply increasing the similarity threshold in initial retrieval. When would each approach be more appropriate面试官想考察你对 RAG 系统中“噪声控制”的工程权衡理解，而非单纯背诵概念。这是典型的系统设计取舍题，刁钻点在于：候选…→No.1562What is catastrophic forgetting, and how can it be mitigated during fine-tuning面试官想考察你对“模型稳定性”与“可塑性”之间根本矛盾的理解深度。这不是背定义题，而是工程取舍题。刁钻点在于：候选人常只…→No.1563What kind of datasets are typically used for fine-tuning LLMs面试官想考察的不是你背过几个数据集名字，而是你对微调数据“从哪来、怎么选、多大量、如何控质量”的工程判断力。刁钻点在于：…→No.1564What are some common challenges encountered when fine-tuning LLMs面试官想看你是否真正动手微调过大模型，而非只背八股。考察类型是工程取舍 + debug。刁钻点在于：候选人常只列“过拟合…→No.1565How do you evaluate the performance of a fine-tuned LLM面试官想看你是否具备“整条链路评估思维”，而非只盯着单一指标。这道题考察类型是系统设计 + 工程取舍，刁钻点在于：微调后…→No.1566What is preference alignment in LLMs, and why is it important面试官想确认你是否真正理解“对齐”不是简单微调，而是解决“模型能力越强，越可能偏离人类意图”的核心矛盾。考察类型是概念+…→No.1567How would you address potential biases in human preference data面试官想看你是否真正理解RLHF/DPO管线中“偏好数据”的脆弱性，而非只会背“用多样化标注者”这种空话。考察类型是系统…→No.1568How would you evaluate the success of preference alignment methods面试官想看你是否真正理解“对齐”不是单一指标游戏，而是多维度的工程权衡。这道题考察系统设计能力：你需要提出一个评估框架，…→No.1569What metrics or strategies would you use to compare preference-tuned LLMs面试官想看你是否具备系统化评估偏好调优（如RLHF、DPO、KTO）的能力，而非只背概念。刁钻点在于：偏好调优常以“胜率…→No.1570How does preference tuning affect generalization in LLMs面试官想看你是否真正理解偏好调优（如RLHF/DPO）的“双刃剑”本质——它提升安全与有用性，但可能牺牲模型在非对齐任务…→No.1571What are the common architectures used for LLM pretraining, and why are they preferred面试官想考察你对LLM预训练架构的底层理解，而非简单背诵“Transformer三兄弟”。真正意图是：你是否能解释为什么…→No.1572What kind of data is typically used for pretraining LLMs, and what are the considerations regarding data quality and scale面试官想考察你对预训练数据工程的深度理解，而非简单罗列“维基百科、书籍、网页”等来源。刁钻点在于：你是否清楚数据质量与规…→No.1574How does the scale of the model (number of parameters) and the dataset size impact the pretraining process and the resulting model面试官想考察你对 Scaling Laws 和 Chinchilla 定律的工程级理解，而非背诵论文结论。刁钻点在于：你…→No.1575What are the types of Quantization面试官想考察你对模型量化体系的系统性理解，而非零散记忆。这题看似分类，实则暗藏三个刁钻点：一是能否从精度、方法、粒度、对…→No.1576What is the trade-off between performance and accuracy in quantization面试官想看你是否真正理解量化（quantization）的工程本质，而非仅背诵“精度损失、速度提升”的结论。考察类型是工…→No.1577How does quantization impact inference latency面试官想看你是否真正理解量化加速的底层机制，而非只背结论。考察类型是工程取舍+系统设计。刁钻点在于：量化并非“无脑加速”…→No.1578Function Calling 不稳定，面试里到底该怎么回答面试官想看的不是“Function Calling 不稳定”的背书式定义，而是你能否从系统设计和工程落地角度拆解问题。考…→No.1579上下文工程是什么面试官想考察你是否真正理解“上下文工程”不是花哨的提示词技巧，而是系统性地优化LLM输入空间的技术栈。这是P0基础题，但…→No.1580在经典的机器学习模型里，XGBoost模型的基本原理是什么？它具有哪些突出的优点以及存在哪些不足之处呢？集成学习（Ensemble）方法通常可以划分为哪几大主要类别？请分别对这些类别进行介绍这道题看似基础，但面试官真正想看的是：你能否从“调包侠”升级为“懂原理的工程师”。考察类型是背概念+工程取舍。刁钻点在于…→No.1581有 8 个外观一样的球，其中一个略重，如何设计策略，用最少的称重次数找出这个球？这道题看似是经典智力题，但面试官真正想考察的是信息论思维与工程化抽象能力。它属于“逻辑推理+数学建模”类型，刁钻点在于：…→No.1582现在MLP的激活函数为何用ReLU，不用sigmoid/Tanh面试官考察的是对深度学习基础理论的工程取舍理解，而非单纯背概念。刁钻点在于：候选人能否从梯度流、计算图、训练动态三个维度…→No.1583模型最重要的特征是什么？如何分析出来的面试官想考察你对模型可解释性的系统理解，而非简单背诵“特征重要性”概念。这是典型的“工程取舍+方法论”题，刁钻点在于：你…→No.1584时间复杂度是O(nlogn)的排序算法有什么？分别在什么情况下会退化面试官想考察你对经典排序算法时间复杂度的精确理解，而非死记硬背。真正刁钻的点在于：“退化”不是简单的“变慢”，而是具体场…→No.1585KV如何得到的这道题看似基础，但面试官真正想看的不是“背出 QKV 三个字母”，而是考察你对 Transformer 注意力机制底层数…→No.1586激活函数的作用是面试官想考察的不是“背出激活函数定义”，而是你对神经网络本质瓶颈的理解——为什么线性变换堆叠再多也等价于单层，以及如何用…→No.1588目前有几种流行的大模型架构面试官想考察你对LLM架构的底层理解，而非简单列举模型名称。这是“背概念”型问题，但刁钻点在于：需要你从注意力机制、训练…→No.1589决策树了解过吗？有哪几种面试官想确认你是否真正理解决策树的算法演进，而非仅背名字。考察类型是“概念+工程取舍”。刁钻点在于：多数人只答ID3、C…→No.1590TF-IDF是什么？解释一下面试官想确认你是否真正理解 TF-IDF 的设计动机和工程局限，而不只是背公式。这是典型的背概念 + 工程取舍混合题。刁…→No.1591roc曲线解释一下面试官考察你对分类模型评估的底层理解，而非简单背诵ROC定义。这是典型的“背概念+工程取舍”混合题，刁钻点在于：你是否能…→No.1592reject sampling是什么面试官考察的是你对 LLM 对齐技术栈中“采样-过滤”范式的理解深度。表面是背概念，实则考察：① 能否清晰区分 Reje…→No.1593动态分辨率指什么面试官想考察你对多模态模型（尤其是视觉语言模型）工程效率与性能平衡的理解深度。这不是背概念题，而是系统设计取舍题。刁钻点…→No.1594那么有没有一种Loss只要输出序列最大值的索引和标签能对上，就奖励(损失很低)，否则就惩罚(损失很高)呢?——负对数似然(Negative Log Likelihood, NLL)损失函数面试官想确认你是否真正理解 NLL 损失函数在分类任务中的本质，而非仅停留在“用交叉熵”的惯性操作。考察类型是概念理解 …→No.1595llm和传统的nlp模型的区别在哪面试官想看你能否跳出“参数多、数据大”的肤浅对比，系统性地拆解LLM与传统NLP模型在范式、能力、架构、工程四个维度的本…→No.1596归一化有哪几种？为什么要归一化面试官想考察你对深度学习训练稳定性的底层理解，而非简单背诵概念。这是典型的“背概念+工程取舍”混合题，刁钻点在于：多数人…→No.1597Batch normalization or layer normalization面试官想考察你对归一化技术本质的理解，而非简单背诵定义。这是典型的“工程取舍”题，刁钻点在于：BN和LN看似都是归一化，…→No.1598layer normalization是对哪个维度做归一化面试官真正想看的不是“背出LN对特征维度归一化”这句话，而是考察你对归一化操作在张量运算中具体轴（axis）的准确理解。…→No.1599Token-level Memory的定义是什么？它以什么形式存储和表示信息面试官想考察你对 Agent 记忆系统最底层粒度的理解，判断你是否能区分“记忆”与“对话历史”的本质差异。这是典型的概念…→No.162026 年 Agent 岗面试变天了：从「你用过什么」到「你能不能扛住四层追问」面试官筛的已经不是「会用工具的人」，而是「跟得上领域演化速度的人」。基础功、评估闭环、工程深度、前沿视野，四层追问逐层拆…→No.16001D Flat Memory的代表性方法有哪些？适用于什么场景面试官想评估你对 Agent 记忆系统基础设计的掌握程度，而非单纯背诵概念。考察类型是“工程取舍 + 系统设计”。刁钻点…→No.1601Factual Memory的定义和作用是什么？它存储哪类信息面试官想确认你是否真正理解“Factual Memory”在 AI Agent 架构中的定位，而不仅仅是背诵定义。这属于…→No.1602潜在表示（Latent Representation）的生成方法有哪些这道题看似基础，实则考察你对“表示学习”的系统性理解，而非单纯罗列方法。面试官想看你能否从建模假设（如概率、对比、重构）…→No.1603关于阅读论文，应该怎么去阅读，哪些部分是重要的？目前依然是Abs+Conclusion -> 正文完整阅读，怕遗漏一些信息，每篇文章大概一个多小时阅读完毕面试官想看的不是“你读了多少论文”，而是“你如何高效筛选信息并转化为工程决策”。这是典型的方法论考察，刁钻点在于：候选人…→No.1604Skill 是什么面试官想考察你对 Agent 系统中“模块化能力”的理解深度，而非简单背诵定义。这是典型的“概念辨析 + 工程取舍”题，…→No.1605什么是 Causal LM面试官想确认你是否真正理解自回归语言模型的核心机制，而非仅仅背出“GPT是Causal LM”的标签。考察类型是概念辨析…→No.1606什么是上下文窗口（Context Window）面试官想确认你是否真正理解 Transformer 架构的硬性约束，而非停留在“能看多少字”的浅层认知。考察类型是背概念…→