10 个大型语言模型 (LLM) 核心面试题与解析
本文总结了大型语言模型面试中常问的 10 个核心问题及其详细解析，涵盖从基础概念到工程实践的关键知识点。
1. 哪种技术有助于减轻基于提示的学习中的偏见？
选项： A. 微调 Fine-tuning B. 数据增强 Data augmentation C. 提示校准 Prompt calibration D. 梯度裁剪 Gradient clipping
答案：C
解析： 提示校准（Prompt Calibration）包括调整提示词的结构和内容，尽量减少产生的输出中的偏差。通过设计更中立或引导性的提示，可以抑制模型在生成时表现出的特定偏见。
- 微调修改的是模型本身的权重参数，虽然也能影响行为，但成本较高。
- 数据增强扩展训练数据，主要用于提升泛化能力。
- 梯度裁剪用于防止训练期间梯度爆炸，属于优化技巧。
2. 是否需要为所有基于文本的 LLM 用例提供矢量存储？
答案：不需要
解析： 向量存储用于存储单词或句子的向量表示，捕获语义信息，常用于检索增强生成（RAG）。并非所有基于文本的 LLM 用例都需要矢量存储。
- 情感分析：通常基于文本本身的情感倾向判断，不需要额外上下文。
- 翻译任务：上下文通常由句子本身和所属文档提供，无需单独向量库支持。
3. 以下哪一项不是专门用于将大型语言模型 (LLM) 与人类价值观和偏好对齐的技术？
选项： A. RLHF B. Direct Preference Optimization C. Data Augmentation
答案：C
解析：
- RLHF (Reinforcement Learning from Human Feedback)：利用人类反馈改进奖励函数，引导模型产生符合人类偏好的输出。
- DPO (Direct Preference Optimization)：直接基于人类偏好比较不同输出以指导学习，是 RLHF 的一种替代方案。
- 数据增强：是一种通用的机器学习技术，通过修改现有数据扩展训练集，虽间接影响一致性，但非专为价值观对齐设计。
