大模型面试宝典：问题全集及权威解答

• [x] 大模型（LLMs）基础面

• [x] 1. 目前 主流的开源模型体系 有哪些？

• [x] 2. prefix LM 和 causal LM 区别是什么？

• [x] 3. 涌现能力是啥原因？

• [x] 4. 大模型LLM的架构介绍？

• [x] 大模型（LLMs）进阶面

• [x] 1. llama 输入句子长度理论上可以无限长吗？

• [x] 1. 什么是 LLMs 复读机问题？

• [x] 2. 为什么会出现 LLMs 复读机问题？

• [x] 3. 如何缓解 LLMs 复读机问题？

• [x] 1. LLMs 复读机问题

• [x] 2. llama 系列问题

• [x] 3. 什么情况用Bert模型，什么情况用LLaMA、ChatGLM类大模型，咋选？

• [x] 4. 各个专业领域是否需要各自的大模型来服务？

• [x] 5. 如何让大模型处理更长的文本？

• [x] 大模型（LLMs）微调面

• [x] 1. 如果想要在某个模型基础上做全参数微调，究竟需要多少显存？

• [x] 2. 为什么SFT之后感觉LLM傻了?

• [x] 3. SFT 指令微调数据 如何构建?

• [x] 4. 领域模型Continue PreTrain 数据选取？

• [x] 5. 领域数据训练后，通用能力往往会有所下降，如何缓解模型遗忘通用能力？

• [x] 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？

• [x] 7. 进行SFT操作的时候，基座模型选用Chat还是Base?

• [x] 8. 领域模型微调 指令&数据输入格式 要求？

• [x] 9. 领域模型微调 领域评测集 构建？

• [x] 10. 领域模型词表扩增是不是有必要的？

• [x] 11. 如何训练自己的大模型？

• [x] 12. 训练中文大模型有啥经验？

• [x] 13. 指令微调的好处？

• [x] 14. 预训练和微调哪个阶段注入知识的？

• [x] 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？

• [x] 16. 多轮对话任务如何微调模型？

• [x] 17. 微调后的模型出现能力劣化，灾难性遗忘是怎么回事？

• [x] 18. 微调模型需要多大显存？

• [x] 19. 大模型LLM进行SFT操作的时候在学习什么？

• [x] 20. 预训练和SFT操作有什么不同

• [x] 21. 样本量规模增大，训练出现OOM错

• [x] 22. 大模型LLM进行SFT 如何对样本进行优化？

• [x] 23. 模型参数迭代实验

• [x] 大模型（LLMs）langchain面

• [x] 1. 基于LLM+向量库的文档对话 基础面

• [x] 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

• [x] 1. LLMs 存在模型幻觉问题，请问如何处理？

• [x] 2. 基于LLM+向量库的文档对话 思路是怎么样？

• [x] 3. 基于LLM+向量库的文档对话 核心技术是什么？

• [x] 4. 基于LLM+向量库的文档对话 prompt 模板 如何构建？

• [x] 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

• [x] 2. 痛点2：在基于垂直领域 表现不佳

• [x] 3. 痛点3：langchain 内置 问答分句效果不佳问题

• [x] 4. 痛点4：如何 尽可能召回与query相关的Document 问题

• [x] 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）

• [x] 1. 什么是 LangChain?

• [x] 2. LangChain 包含哪些 核心概念？

• [x] 3. 什么是 LangChain Agent?

• [x] 4. 如何使用 LangChain ?

• [x] 5. LangChain 支持哪些功能?

• [x] 6. 什么是 LangChain model?

• [x] 7. LangChain 包含哪些特点?

• [x] 8. LangChain 如何使用?

• [ ] 9. LangChain 存在哪些问题及方法方案？

• [x] 10. LangChain 替代方案？

• [x] 1. LangChain 中 Components and Chains 是什么？

• [x] 2. LangChain 中 Prompt Templates and Values 是什么？

• [x] 3. LangChain 中 Example Selectors 是什么？

• [x] 4. LangChain 中 Output Parsers 是什么？

• [x] 5. LangChain 中 Indexes and Retrievers 是什么？

• [x] 6. LangChain 中 Chat Message History 是什么？

• [x] 7. LangChain 中 Agents and Toolkits 是什么？

• [x] 1. LangChain 如何调用 LLMs 生成回复？

• [x] 2. LangChain 如何修改 提示模板？

• [x] 3. LangChain 如何链接多个组件处理一个特定的下游任务？

• [x] 4. LangChain 如何Embedding & vector store？

• [x] 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

• [x] 5. LangChain 缺乏标准的可互操作数据类型问题

• [x] 大模型（LLMs）langchain 面

• [x] 基于LLM+向量库的文档对话 经验面

• [x] 大模型（LLMs）参数高效微调(PEFT) 面

• [x] 一、LoRA篇

• [x] 二、QLoRA篇

• [x] 三、AdaLoRA篇

• [x] 四、LoRA权重是否可以合入原模型？

• [ ] 五、ChatGLM-6B LoRA后的权重多大？

• [x] 六、LoRA 微调优点是什么？

• [x] 七、LoRA微调方法为啥能加速训练？

• [x] 八、如何在已有LoRA模型上继续训练？

• [x] 1.1 什么是 LoRA？

• [x] 1.2 LoRA 的思路是什么？

• [x] 1.3 LoRA 的特点是什么？

• [x] 2.1 QLoRA 的思路是怎么样的？

• [x] 2.2 QLoRA 的特点是什么？

• [x] 3.1 AdaLoRA 的思路是怎么样的？

• [x] 一、为什么需要 提示学习（Prompting）？

• [x] 二、什么是 提示学习（Prompting）？

• [x] 三、提示学习（Prompting） 有什么优点？

• [x] 四、提示学习（Prompting）有哪些方法，能不能稍微介绍一下它们间？

• [x] 4.4.1 为什么需要 P-tuning v2？

• [x] 4.4.2 P-tuning v2 思路是什么？

• [x] 4.4.3 P-tuning v2 优点是什么？

• [x] 4.4.4 P-tuning v2 缺点是什么？

• [x] 4.3.1 为什么需要 P-tuning？

• [x] 4.3.2 P-tuning 思路是什么？

• [x] 4.3.3 P-tuning 优点是什么？

• [x] 4.3.4 P-tuning 缺点是什么？

• [x] 4.2.1 为什么需要 指示微调（Prompt-tuning）？

• [x] 4.2.2 指示微调（Prompt-tuning）思路是什么？

• [x] 4.2.3 指示微调（Prompt-tuning）优点是什么？

• [x] 4.2.4 指示微调（Prompt-tuning）缺点是什么？

• [x] 4.2.5 指示微调（Prompt-tuning）与 Prefix-tuning 区别 是什么？

• [x] 4.2.6 指示微调（Prompt-tuning）与 fine-tuning 区别 是什么？

• [x] 4.1.1 为什么需要 前缀微调（Prefix-tuning）？

• [x] 4.1.2 前缀微调（Prefix-tuning）思路是什么？

• [x] 4.1.3 前缀微调（Prefix-tuning）的优点是什么？

• [x] 4.1.4 前缀微调（Prefix-tuning）的缺点是什么？

• [x] 4.1 前缀微调（Prefix-tuning）篇

• [x] 4.2 指示微调（Prompt-tuning）篇

• [x] 4.3 P-tuning 篇

• [x] 4.4 P-tuning v2 篇

• [x] 一、为什么 需要 适配器微调（Adapter-tuning）？

• [x] 二、适配器微调（Adapter-tuning）思路？

• [x] 三、 适配器微调（Adapter-tuning）特点是什么？

• [x] 四、AdapterFusion 思路 是什么？

• [x] 五、AdapterDrop 思路 是什么？

• [x] 六、AdapterDrop 特点 是什么？

• [x] 七、MAM Adapter 思路 是什么？

• [x] 八、MAM Adapter 特点 是什么？

• [x] 微调方法是啥？如何微调？

• [x] 为什么需要 PEFT？

• [x] 介绍一下 PEFT？

• [x] PEFT 有什么优点？

• [x] 微调方法批处理大小模式GPU显存速度？

• [x] Peft 和 全量微调区别？

• [x] 多种不同的高效微调方法对比

• [x] 当前高效微调技术存在的一些问题

• [x] 高效微调技术最佳实践

• [x] PEFT 存在问题？

• [x] 能不能总结一下各种参数高效微调方法？

• [x] 大模型（LLMs）参数高效微调(PEFT) 面

• [x] 适配器微调（Adapter-tuning）篇

• [x] 提示学习（Prompting）

• [x] LoRA 系列篇

• [x] 大模型（LLMs）推理面

• [x] 1. 为什么大模型推理时显存涨的那么多还一直占着？

• [x] 2. 大模型在gpu和cpu上推理速度如何？

• [x] 3. 推理速度上，int8和fp16比起来怎么样？

• [x] 4. 大模型有推理能力吗？

• [x] 5. 大模型生成时的参数怎么设置？

• [x] 6. 有哪些省内存的大语言模型训练/微调/推理方法？

• [x] 7. 如何让大模型输出合规化

• [x] 8. 应用模式变更

• [x] 大模型（LLMs）评测面

• [x] 大模型怎么评测？

• [x] 大模型的honest原则是如何实现的？

• [x] 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？

• [x] 大模型（LLMs）强化学习面

• [x] 奖励模型需要和基础模型一致吗？

• [x] RLHF 在实践过程中存在哪些不足？

• [x] 如何解决 人工产生的偏好数据集成本较高，很难量产问题？

• [x] 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？

• [x] 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？

• [x] 大模型（LLMs）软硬件配置面

• [x] 大模型（LLMs）训练集面

• [x] SFT（有监督微调）的数据集格式？

• [x] RM（奖励模型）的数据格式？

• [x] PPO（强化学习）的数据格式？

• [x] 找数据集哪里找？

• [x] 微调需要多少条数据？

• [x] 有哪些大模型的训练集？

• [x] 进行领域大模型预训练应用哪些数据集比较好？

• [ ] 大模型（LLMs）显存问题面

• [ ] 大模型（LLMs）分布式训练面

• [x] 大模型（LLMs）agent 面

• [x] 如何给LLM注入领域知识？

• [x] 如果想要快速体验各种模型，该怎么办？

• [ ] Token及模型参数准备篇

• [x] 预训练数据 Token 重复 是否影响 模型性能？

• [ ] SFT需要训练Token数？

• [ ] LLMs 位置编码篇

• [x] 6.1 ALiBi (Attention with Linear Biases) 思路是什么？

• [x] 6.2 ALiBi (Attention with Linear Biases) 的偏置矩阵是什么？有什么作用？

• [x] 6.3 ALiBi (Attention with Linear Biases) 有什么优点？

• [ ] 6.4 ALiBi (Attention with Linear Biases) 被哪些 LLMs 应用？

• [x] 5.1 什么是 长度外推问题？

• [x] 5.2 长度外推问题 的 解决方法 有哪些？

• [x] 4.1 旋转位置编码 RoPE 思路是什么？

• [ ] 4.2 推导一下 旋转位置编码 RoPE ？

• [x] 4.3 旋转位置编码 RoPE 有什么优点？

• [ ] 4.4 旋转位置编码 RoPE 被哪些 LLMs 应用？

• [x] 1 什么是位置编码？

• [x] 2 什么是绝对位置编码？

• [x] 3 什么是相对位置编码？

• [ ] 4 旋转位置编码 RoPE篇

• [ ] 5 长度外推问题篇

• [ ] 6 ALiBi (Attention with Linear Biases)篇

• [ ] LLMs Tokenizer 篇

• [x] Byte-Pair Encoding(BPE)篇

• [x] WordPiece 篇

• [x] SentencePiece 篇

• [x] 对比篇

• [x] 1 Byte-Pair Encoding(BPE) 如何构建词典？

• [x] 1 WordPiece 与 BPE 异同点是什么？

• [x] 简单介绍一下 SentencePiece 思路？

• [x] 1 举例 介绍一下 不同 大模型LLMs 的分词方式？

• [x] 2 介绍一下 不同 大模型LLMs 的分词方式 的区别？

• [x] LLMs Tokenizer 篇

• [x] Layer Normalization 篇

• [x] LLMs 各模型分别用了 哪种 Layer normalization？

• [x] 1 LN 在 LLMs 中的不同位置 有什么区别么？如果有，能介绍一下区别么？

• [x] Layer Norm 篇

• [x] RMS Norm 篇 （均方根 Norm）

• [x] Deep Norm 篇

• [x] Deep Norm 有什么优点？

• [x] Layer Norm 的计算公式写一下？

• [x] RMS Norm 的计算公式写一下？

• [x] RMS Norm 相比于 Layer Norm 有什么特点？

• [x] Deep Norm 思路？

• [x] 写一下 Deep Norm 代码实现？

• [x] Layer normalization-方法篇

• [x] Layer normalization-位置篇

• [x] Layer normalization 对比篇

答案