ENTERPRISE · ALL
项目实战与企业级 · 全部题目
共 787 篇，本页第 289-336 篇。← 回到学习路径视图
No.1306**Q6：开放式任务 vs 可验证任务的奖励设计本质区别面试官想看你是否真正理解强化学习中奖励函数设计的底层逻辑，而非只会套RLHF模板。考察类型是系统设计+工程取舍。刁钻点在…→No.1307**Q8：Length Bias 怎么处理面试官想看你是否真正理解 RLHF 中奖励模型（Reward Model）的“捷径学习”问题，而非只会背概念。Lengt…→No.1308**Q9：Reward Hacking 怎么防面试官想考察你对强化学习（尤其是RLHF）中“奖励黑客”现象的系统性认知，而非仅仅背诵定义。这是典型的系统设计+debu…→No.1309**Q：数据飞轮怎么设计面试官想考察的不是你背“数据飞轮”的定义，而是你能否从零到一设计一套可落地的数据完整流程系统，并理解其中的工程取舍。这是…→No.1310**Q13：GAE 为什么重要面试官想考察你对强化学习中“优势估计”的底层理解，而非简单背诵GAE公式。核心看三点：一是能否讲清GAE如何通过λ参数在…→No.1311**Q20：DeepSeek R1 核心创新面试官想考察你对前沿大模型训练范式的理解深度，而非简单背诵论文。核心是判断你是否能区分“工程创新”与“理论突破”，以及是…→No.1312**Q23：Overthinking 是什么？怎么控制面试官想考察你对推理模型（如 o1、DeepSeek-R1）效率瓶颈的深度理解。这不是背概念，而是工程取舍 + 系统设计…→No.1313**Q24：Token-level reward 和 Sequence-level reward 区别这道题考察的是 RLHF 中奖励信号设计的核心 trade-off：细粒度 vs 稀疏性。面试官想看你是否理解奖励粒度如…→No.1314**Q：Per-sample Loss Normalization 和普通 Loss 有什么区别面试官想考察你对训练动态的底层理解，而非简单背诵 loss 公式。这是典型的“工程取舍 + debug”类型问题。刁钻点…→No.1315**Q27：ZeRO-1/2/3 区别面试官想验证你对分布式训练中显存优化核心技术的理解深度，而非简单背概念。考察类型为“工程取舍+系统设计”，刁钻点在于：你…→No.1316**Q29：72B 模型显存怎么估面试官想看你是否具备“量化估算”的硬核工程能力，而非只会背公式。这道题是典型的系统设计 + 工程取舍类型，刁钻点在于：候…→No.1317**Q34：KV Cache 为什么重要？PD 分离为什么热这道题是典型的系统设计 + 工程取舍类问题，面试官想看你是否真正理解 LLM 推理的计算-访存瓶颈差异，以及如何通过架构…→No.1318**Q43：模型线上效果退化怎么诊断这道题考察的是工程诊断与系统化归因能力，而非单纯背诵监控指标。面试官想看你能否从“指标下降”这一表象出发，快速区分是数据…→No.1319**Q48：字节/腾讯/阿里面试风格差异面试官真正想看的是：你是否有“公司级面试策略”意识，而非只会背八股。这道题表面问风格差异，实则考察你对大厂技术栈、文化偏…→No.1320**Q：MCTS 的 N（采样数）怎么设置面试官想看的不是你能背出MCTS公式，而是你在真实工程中如何调优超参数。考察类型是工程取舍+debug。刁钻点在于：N（…→No.1321**Q：Model Merging 和继续微调相比有什么本质优势面试官想考察你对模型合并（Model Merging）与继续微调（Fine-tuning）本质差异的理解，而非简单罗列优…→No.1322**Q：为什么 `tool_result` 往往要 mask面试官想考察你对 Agent 训练中 loss 计算细节的掌握，而非简单背概念。这是典型的“训练细节 + 工程取舍”题，…→No.1323**Q：chat template 和 tokenizer 最容易踩什么坑面试官想考察你对 LLM 推理管线中“软性工程陷阱”的实战经验，而非单纯背概念。刁钻点在于：很多人以为 tokenize…→No.1324**Q：为什么 2025-2026 的 reward 不再是单一 RM面试官想考察你对RLHF奖励模型演进趋势的深度理解，而非简单背诵概念。这是典型的“系统设计+工程取舍”题，刁钻点在于：你…→No.1325**Q：tool safety 和 text safety 为什么不是一回事面试官想看你是否真正理解AI安全的分层架构，而非笼统说“安全很重要”。这道题考察系统设计+工程取舍，刁钻点在于：很多人误…→No.1326**Q：长上下文和记忆不是一回事，边界在哪里面试官想看你是否真正理解Transformer架构的底层限制与系统设计的工程取舍，而非停留在“长上下文就是记忆”的表面认…→No.1327**Q：LLM-as-Judge 的位置偏见怎么解决面试官想考察你对LLM评估体系的理解深度，而非简单背概念。位置偏见（Position Bias）是LLM-as-Judg…→No.1328**Q：Chatbot Arena 的 Elo 系统是什么面试官想看你是否理解Elo系统从国际象棋迁移到LLM评估时的本质变化，以及能否批判性分析其适用性。这是典型的“工程取舍+…→No.1329概念解析：到底什么是 Evaluation Harness面试官想看你是否理解AI Agent评估的系统级基础设施，而非只背过几个指标。这属于系统设计+工程取舍类问题。刁钻点在于…→No.1330什么是 Evaluation Harness面试官想考察你对AI Agent评估基础设施的系统性理解，而非简单背诵概念。这是“系统设计+工程取舍”类问题，刁钻点在于…→No.1331现在进入正题：**市面上有哪些好用的 Evaluation Harness？** 我们来一个一个拆解面试官想看你是否真正用过Agent/RAG评估工具，而非只背概念。考察类型是工程取舍与生态选型——刁钻点在于：你能否根据…→No.1332什么是 LLM-as-Judge？有什么优缺点面试官想考察你对 LLM 评估体系的深度理解，而非单纯背诵定义。这属于系统设计 + 工程取舍型问题，刁钻点在于：LLM-…→No.1333什么是上下文工程？与提示词工程的区别面试官想看你是否真正理解LLM应用中的“输入侧”优化，而非只会调prompt。这道题考察类型是概念辨析+系统设计，刁钻点…→No.1334需求背景**：你要测1000个客服对话，难道找1000个真人陪聊面试官想看你是否具备工程化测试思维，能否将“测1000个对话”这种看似人力密集型的需求，拆解为可自动化、可量化、可迭代的…→No.1335是否理解客户的挫败感面试官真正想看的是你能否将“共情”这种软性指标转化为可工程化的系统设计。这不是背概念题，而是系统设计 + 工程取舍题。刁…→No.1336两个领域专家独立完成这个任务，会得出相同的「通过/失败「判断吗面试官想考察你对标注一致性（Inter-Rater Reliability） 和评估方法论的实战理解，而非单纯背概念。刁…→No.1337我存 ~/sort.py 不行吗面试官想考察你对 Agent 文件系统设计的工程取舍能力，而非简单背概念。刁钻点在于：候选人常只看到“方便”，忽略用户主…→No.1338我存 ./my_sorting_script.py 不行吗面试官想考察你工程化思维的深度，而非单纯背概念。这道题看似简单，实则直指 Agent 系统设计中的文件系统隔离与并发安全…→No.1339我优化了2倍，但可读性变差了，算吗面试官真正想看的是：你能否跳出“性能至上”的单一维度，用工程思维量化权衡。这道题表面是问“算不算优化”，实际考察三个层面…→No.1340今天北京天气如何？「 → should_search: true ✓面试官想看的不是你会不会调一个分类器，而是你对 Agent 工具调用决策 的工程化理解。这道题表面是“判断是否搜索”，实…→No.1341recall = TP / (TP + FN) # 该搜的都搜了吗这道题表面是背公式，实际考察候选人对检索系统“召回”的工程理解深度。面试官想看的不是“Recall = TP/(TP+F…→No.1343为什么除以√d_k?防止点积过大导致梯度消失面试官想考察你对 Transformer 核心机制——缩放点积注意力——的数学直觉和工程理解，而非简单背诵“除以√d_k…→No.1344请你详细介绍ROPE,对比绝对位置编码它的优劣势分别是什么面试官想看你是否真正理解RoPE的数学本质和工程取舍，而非仅背概念。这是典型的“原理+对比+落地”题，考察点有三：一是能…→No.1345你知道MHA,MQA,GQA的区别吗?详细解释一下面试官想考察你对 Transformer 注意力机制变体的工程级理解，而非简单背定义。这是典型的“系统设计 + 推理优化…→No.1346GQA 如何选择分组数 G?通常设为 H/4 或 H/8,兼顾精度和效率面试官想验证你对GQA（Grouped-Query Attention）超参数选择的工程直觉，而非单纯背诵“H/4或H/…→No.1347什么是Scaling Laws?它揭示了模型性能、计算量和数据量之间的什么关系?这对LLM的研发有什么指导意义面试官想考察你是否理解LLM规模扩展的底层规律，而非仅背诵“越大越好”。这是典型的工程取舍+系统设计题，刁钻点在于：很多…→No.1348为什么需要子词(Subword)切分面试官想考察你对 NLP 基础组件的工程取舍理解，而非背诵 BPE 定义。刁钻点在于：子词切分不是“万能药”，它是在词表…→No.1350「涌现能力「是大型模型中一个备受关注的现象,请问你如何理解这个概念?它通常在模型规模达到什么程度时出现面试官想测试你对“涌现能力”的理解深度，而非简单背诵定义。考察类型是概念辨析+工程取舍，刁钻点在于：你是否知道涌现能力存…→No.1351激活函数有了解吗,你知道哪些LLM常用的激活函数?为什么选用它面试官想考察的不仅是“背出几个激活函数名字”，而是你对 LLM 训练中梯度流动、非线性表达和计算效率的工程理解。刁钻点在…→No.1352为什么选GELU面试官想看你是否理解激活函数从ReLU到GELU的演进逻辑，而非死记公式。考察类型是“工程取舍+系统设计”，刁钻点在于：…→No.1354为什么SwiGLU成为主流面试官想考察你对激活函数发展脉络的深度理解，而非简单背诵。核心是：为什么SwiGLU能取代ReLU/GELU成为LLM事…→No.1355它是如何通过对比学习来连接图像和文本的面试官想考察你是否真正理解对比学习的核心机制，而非仅背诵CLIP论文。刁钻点在于：能否说清“为什么对比学习能对齐多模态空…→No.1356在 VLM 的应用中，如何处理高分辨率的输入图像？这会带来哪些计算和模型设计上的挑战面试官想看你是否真正理解VLM中高分辨率图像处理的“计算-精度”博弈，而非仅背诵切块或双编码器方案。考察类型是工程取舍+…→