文章目录

• • 一、大模型（LLMs）基础面
  • 二、大模型（LLMs）进阶面
  • 三、大模型（LLMs）微调面
  • 四、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. LangChain的概念面试问题
    • 4.LangChain的一些模块提问
    • 5.LangChain的业务提问
    • 6.LangChain的问题解决
  • 五、LoRA、QLoRA、AdaLoRA篇
  • 六、Fine tune
  • • 1）基础概念
    • 2）为什么需要 P-tuning v2？
    • 3）为什么需要 P-tuning？
    • 4）为什么需要 指示微调（Prompt-tuning）？
    • 5）为什么需要 前缀微调（Prefix-tuning）？
    • 6）适配器微调（Adapter-tuning）
  • 七、大模型（LLMs）参数高效微调(PEFT) 面
  • 八、大模型（LLMs）推理面
  • 九、大模型（LLMs）评测面
  • 十、大模型（LLMs）强化学习面
  • 十一、大模型（LLMs）训练集面
  • 十二、LLMs 位置编码篇
  • 十三、简单介绍一下 SentencePiece 思路？
  • 十四、Layer Normalization 篇
  • 十五、LLMs 激活函数篇
  • 十六、一些面试问题提问
  • • 1）为什么会出现 LLMs 复读机问题？
    • 2）llama 输入句子长度理论上可以无限长吗？
    • 3）什么情况用Bert模型，什么情况用LLaMA、ChatGLM类大模型，咋选？
    • 4）如何让大模型处理更长的文本？
  • 十七、面试高频点
  • 十九、其他面试问题
  • 二十、题外音（社招来源）