跳到主要内容
大模型面试高频题整理 | 极客日志
Python SaaS Nuct AI
大模型面试高频题整理 这份内容把大模型面试里最常见的知识点按主题整理了一遍，覆盖基础架构、微调方法、RAG 与 LangChain、分布式训练、推理优化和输出合规化。重点讲清了 Transformer、BERT、GPT、T5、LLaMA 等模型差异，prefix LM、causal LM、encoder-decoder 的取舍，以及 LoRA、P-tuning、SFT、Continue PreTrain、ZeRO、Flash Attention、Paged Attention 这些常见方案的用途和边界。整体更适合拿来做面试复习提纲，而不是当作标准答案死记。
基础篇
1、目前主流的开源模型体系有哪些？
常见的开源模型体系里，Transformer 仍然是主干。围绕它衍生出来的 BERT、GPT、T5、LLaMA 这类模型，基本把今天大模型的常见路线都覆盖了。除此之外，Hugging Face Transformers、TensorFlow Model Garden 这类库更偏工具层，前者在开源生态里用得更广，后者则更像官方模型仓库。
2、prefix LM 和 causal LM 区别是什么？
prefix LM 会给输入前面加一段可学习的前缀，让模型先'看见'任务提示再生成结果，适合带条件生成。causal LM 则是标准的自回归方式，只能基于左侧上下文预测下一个 token，天然适合续写和对话。
前者更像'先定调，再回答'，后者更像'边写边想'。
3、涌现能力是啥原因？
涌现通常不是某一个神秘机制突然打开了，而是模型规模、数据覆盖面和优化目标一起把某些能力推到了可观察阈值以上。小模型里这些模式也许已经存在，只是还不够稳定，不够强。
4、大模型 LLM 的架构介绍？
今天的大模型基本都离不开 Transformer。它的核心是自注意力和前馈网络，前者负责建模 token 之间的依赖关系，后者负责做非线性变换。堆叠多层之后，模型就能在较长上下文里提取语义。
如果只说架构，LLM 大体会落在编码器、解码器、或编码器-解码器三种形态上。GPT 这类偏解码器，BERT 偏编码器，T5 走的是 encoder-decoder。实际工程里，更多人关心的是它是不是适合生成、推理成本高不高、长上下文能不能撑住。
5、目前比较受欢迎的开源大模型有哪些？
常见的有 GPT 系列、BERT 系列、T5 系列，以及后来更主流的 LLaMA、ChatGLM、Qwen 这类开源或开放权重模型。面试里如果只背早期名字，往往显得信息停在几年前。
6、目前大模型模型结构都有哪些？
主流还是三类：Transformer 编码器、Transformer 解码器、Transformer 编码器-解码器。具体到模型上，BERT 属于编码器，GPT 属于解码器，T5 属于编码器-解码器。
7、prefix LM 和 causal LM、encoder-decoder 区别及各自有什么优缺点？
prefix LM 适合在任务提示明确的场景下做条件生成，改动小，接预训练权重也比较顺手；缺点是前缀长度有限，提示不够时表达能力会被卡住。
causal LM 的优势是通用，生成任务很好接；问题也很直接，它看不到未来 token，做某些需要双向上下文理解的任务时不如编码器模型自然。
encoder-decoder 更适合输入输出都很明确的任务，比如翻译、摘要、结构化转换。它的代价是模型更重，训练和推理都更费资源。
8、模型幻觉是什么？业内解决方案是什么？
幻觉就是模型把不确定的内容说得很像真的，甚至编造细节。这个问题通常没法靠单一手段解决，比较现实的做法是把模型能力和外部知识源结合起来：检索增强、事实校验、约束解码、提高训练数据质量，都是常见路子。
9、大模型的 Tokenizer 的实现方法及原理？
常见实现还是子词切分，BPE、SentencePiece、Unigram 这些方案都很常见。思路没那么玄：先把文本切成稳定的小单元，再映射成 token id。这样既能覆盖生僻词，也不会把词表做得太夸张。
10、ChatGLM3 的词表实现方法？
ChatGLM3 也用了基于子词的词表设计，核心目标和别的模型类似：兼顾中文、英文和符号混排时的稳定切分。实际工程里，词表设计不是炫技点，更多是在准确率、词表大小和推理效率之间找平衡。
11、GPT3、LLAMA、ChatGLM 的 Layer Normalization 的区别是什么？各自的优缺点是什么？
GPT-3 和 ChatGLM 更接近 Post-LN，LLaMA 走的是 Pre-LN。Pre-LN 一般更稳，尤其在深层网络里更容易训练；Post-LN 有时在某些设置下效果不错，但训练稳定性更依赖细节。
12、大模型常用的激活函数有哪些？
ReLU、GeLU、Swish 都很常见。现在 Transformer 系列里，GeLU 用得尤其多，原因很简单：它在实践里更顺手，训练和效果都比较均衡。
13、多查询注意力与群查询注意力是否了解？区别是什么？
Multi-Query Attention 会让多个查询共享较少的 key/value，重点是省显存和提升推理速度。Grouped-Query Attention 则介于传统多头注意力和 MQA 之间，按组共享 KV，兼顾效果和效率。
如果要落到工程选择上，MQA 更省，但表达能力会压缩得更明显；GQA 往往是更折中的方案。
14、多模态大模型是否有接触？落地案例？
多模态模型就是把文本、图像、语音等不同输入放在一个系统里处理。比较典型的方向是图像描述、视觉问答、图文生成。DALL·E、GPT 系列、Multimodal Transformer 都属于经常被拿来举例的方向。
进阶篇
1、llama 输入句子长度理论上可以无限长吗？
不能。理论上位置编码和上下文建模方式会先把它限制住，工程上又会被显存和吞吐进一步卡死。真实系统里，能支持多长，最终还是看模型设计和部署预算。
就是模型生成时反复说同一段内容，或者在局部上不停重复词句。看起来像'会说话'，实际上是输出分布出了问题。
常见原因是训练数据里重复太多，或者解码策略太保守。长上下文里注意力退化、模型对局部高概率 token 过度依赖，也会把这个问题放大。
可以从数据、模型和生成策略三层下手。数据上减少重复，模型上增强长序列建模能力，推理时再配合采样、惩罚重复 token 的策略，通常比单独改一处更有效。
5、什么情况用 Bert 模型，什么情况用 LLaMA、ChatGLM 类大模型？
BERT 更适合理解类任务，比如分类、抽取、匹配。LLaMA、ChatGLM 这类模型更适合生成、对话和需要顺带推理的场景。别把'模型越大越好'当成默认答案，很多时候任务本身就不需要那么重的模型。
大概率是需要的，但不一定非得从零训练。更常见的做法是通用底座加领域数据微调，再配合检索系统补知识。行业模型的价值，通常不是'更大'，而是'更贴近业务语料'。
一条路是直接上长上下文模型；另一条更务实，做分块、摘要、检索和记忆机制。纯靠硬拉长度，成本很快就上来了，效果却不一定线性变好。
8、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？
这个没有固定值，模型规模、batch size、优化器状态、精度都会影响结果。经验上，全参数微调比 LoRA 之类的参数高效方法吃显存得多，尤其是大模型，通常要多卡甚至配合 ZeRO、混合精度一起上。
多半是过拟合、数据质量差，或者微调把模型原来的泛化能力冲掉了。这个现象很常见，尤其是在数据量不大但训练强度又很高的时候。
先明确任务，再整理指令-响应对。数据要清洗、去重、统一格式，必要时再做增强。这里最怕的是指令看着很多，实际内容却杂乱，模型最后学到的是噪声。
11、领域模型 Continue PreTrain 数据选取？
优先选领域内高质量、覆盖面足够的数据，比如文档、论文、报告、知识库、论坛内容。不要只追求数量，脏数据会把领域知识稀释掉。
12、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？
比较常用的是混合训练、控制学习率和训练轮数，或者回炉一部分通用数据。说白了，就是别让模型只盯着领域语料，把原来的语言能力一点点冲没了。
13、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？
可以通过更好的数据组织、知识注入和任务设计来做。单纯堆文本也行，但效率一般；如果能把结构化知识、领域术语和相关任务一起喂进去，模型学得更扎实。
14、进行 SFT 操作的时候，基座模型选用 Chat 还是 Base？
如果你的目标就是做指令遵循、对话输出，Chat 模型通常更省事；如果想保留更强的可塑性，Base 往往更合适。我的经验是，别先争论概念，先看你手头数据更像哪一类。
没有统一答案，取决于模型和训练框架。原则上就是格式稳定、字段清晰、能被训练脚本直接消费。很多微调失败不是模型不行，而是数据格式前后不一致。
评测集要尽量贴近真实场景，同时保持代表性和难度分布。别拿训练集附近的样本去充数，那样测出来的结果通常很好看，但没什么用。
有些领域很有必要，比如术语密集、专有名词多、缩写多的时候。只是扩词表不是越多越好，词加进去之后模型要重新学，成本也会跟着涨。
先定目标，再定数据和架构，然后做预训练、评估、微调和部署。真正难的通常不是'写训练代码'，而是数据、算力、调参和评测体系能不能对上。
中文数据质量比想象中更重要，分词、标点、繁简混用、口语表达都得认真处理。中文模型不只是'把英文语料换成中文语料'，语言习惯差异会直接反映到效果上。
它能让模型更像一个'会按要求办事'的系统，而不是只会续写文本。对大多数应用来说，这一步几乎是必经的。
通用语言能力主要来自预训练，领域知识和任务适配更多靠微调。实际项目里，两者不是二选一，而是分工不同。
22、想让模型学习某领域或行业知识，是应该预训练还是应该微调？
一般先看目标。如果只是补充领域知识，继续预训练更自然；如果还要适配任务输出格式和对话风格，微调更直接。很多项目最后会两者都做。
数据要保留上下文顺序，训练目标要和对话生成一致。这里的关键不是'多轮'这个词本身，而是模型要真的学会在历史上下文里保持一致。
24、微调后的模型出现能力劣化，灾难性遗忘是怎么回事？
就是新任务学得太狠，把旧知识覆盖了。它不是抽象名词，实质上就是参数更新把通用能力挤掉了。
看模型大小和微调方式。全参微调最吃显存，LoRA、Prefix Tuning 这些方法会轻很多。真要估算，还是得把模型参数量、batch size、序列长度、优化器状态一起算进去。
26、大模型 LLM 进行 SFT 操作的时候在学习什么？
它主要在学任务格式、指令遵循、领域表达和输出风格。对话模型的话，还会顺带学上下文一致性。
预训练是学通用语言规律，数据量大但监督弱；SFT 是学具体任务怎么回答，监督更强，但范围更窄。
28、样本量规模增大，训练出现 OOM 报错，怎么解决？
先减 batch，再看是不是要开梯度累积、混合精度、ZeRO 或者并行训练。很多时候不是模型太大，是训练配置太激进。
29、大模型 LLM 进行 SFT 如何对样本进行优化？
优先清洗和去重，再做样本筛选、重采样和难例增强。数据不够时想办法提高有效样本密度，比盲目扩量更靠谱。
先定初始参数，再训练、评估、记录，再根据结果调整。这个流程看着普通，但做得细不细，直接决定你是不是在'凭感觉调参'。
31、为什么需要进行参数微调？参数微调的原因有哪些？
核心原因就两个：省资源，适配任务。全量训练太贵，很多场景也没必要把整个底座都改掉。
32、模型参数微调的方式有那些？你最常用哪些方法？
常见有冻结部分层、参数高效微调、低秩分解、前缀/提示微调等。工程上最常见的还是 LoRA 一类方法，原因很朴素：便宜、稳、好试。
33、prompt tuning 和 prefix tuning 在微调上的区别是什么？
Prompt Tuning 更像在输入侧加可学习提示；Prefix Tuning 则是给模型内部注意力层加连续前缀表示。两者目标接近，但作用位置不一样。
34、LLaMA-adapter 如何实现稳定训练？
思路是把适配器插到原模型里，只让少量参数动起来，再配合较小学习率和正则化，避免把底座扰乱太多。稳定训练的关键往往不是花哨技巧，而是别一上来就把更新幅度拉太大。
LoRA 通过低秩分解只学习一小部分增量参数，底座权重通常冻结。实践里比较重要的是选对插入位置、rank 和学习率；参数太小学不动，太大又失去参数高效的意义。
省显存、省训练成本、回滚方便，这是它最实际的三个优点。很多团队选 LoRA，不是因为它最优雅，而是因为它最容易落地。
AdaLoRA 的核心是动态分配不同层的低秩预算，把参数容量更合理地放到重要位置。简单说，就是别让所有层吃一样多的资源。
38、LoRA 权重合入 chatglm 模型的方法？
训练时只更新 LoRA 分支，推理前再把增量权重合回主模型。这样部署更方便，也能减少运行时额外开销。
39、P-tuning 讲一下？与 P-tuning v2 区别在哪里？优点与缺点？
P-tuning 是通过可学习的软提示来引导模型完成任务，P-tuning v2 则把这种思路做得更深入，覆盖更广的层。前者轻量，但表达能力有限；后者更强，但训练和调参成本也会高一些。
同前面一样，预训练学通用能力，SFT 学任务对齐。面试里如果被重复问到，别急着背概念，直接说清数据和目标差异就够了。
数据收集、清洗、建模、预训练、评估、再微调，这条链条基本跑不掉。真正费时间的是数据和评测，不是代码骨架。
这里的区别核心在于优化对象不同：一个偏数据目标，一个偏提示目标。面试里如果追问细节，最好结合上下文里的具体定义讲，不要只喊缩写。
43、是否接触过 embedding 模型的微调方法？
Embedding 微调通常是让向量空间更贴近领域语义。常见做法包括在领域数据上继续训练、调整相似度目标、或者把领域知识编码进表示空间。
44、有哪些省内存的大语言模型训练/微调/推理方法？
常见的有模型剪枝、量化、知识蒸馏、模型并行、数据并行、梯度累积，以及 ZeRO 这类优化。实际工程里，通常不是只靠一个方法，而是几招一起上。
45、大模型 (LLMs) 评测有那些方法？如何衡量大模型的效果？
自动指标、任务指标和人工评测都要看。单看 BLEU、ROUGE 这种分数不够，尤其是对话和生成任务，人工评测和真实用户反馈往往更接近实际效果。
46、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？
最直接的办法是减少训练成本，比如缩数据、提并行度、加速训练流程，或者考虑更轻量的对齐方法。RLHF 这条链路本来就不轻，想快只能在流程上做取舍。
公开数据集、领域数据、合成数据、用户数据和商业数据都可能用到。关键不是'哪里有'，而是拿到之后能不能合法、干净、可用。
量化是为了让模型更小、更快、更省内存。底层逻辑是用更低精度表示权重和激活，换取更低的存储和计算开销。
可以手工加词，也可以根据语料统计自动扩词。工具上常见的是 SentencePiece、Hugging Face Transformers 这些生态组件，做子词切分和词表管理都比较顺手。
这类框架主要负责把模型、检索、工具调用、数据处理和部署串起来。常见能力包括模型加载、上下文管理、向量检索、接口编排和服务化。
最常见的还是资源、稳定性、数据质量和部署问题。遇到这类问题时，通常不是靠'再训练一次'解决，而是先把链路拆开看，找到真正的瓶颈。
优化索引、改检索策略、做重排序、加强查询理解，都是常规手段。检索做不好时，先别急着怪模型，很多问题出在分块、召回和过滤上。
了解。常见方向包括剪枝、蒸馏、权重共享和低秩分解。它们的目标都差不多：让模型在更小的上下文或更低的资源下维持可用效果。
通常是先把长文本切成窗口，再给每个窗口建索引，检索时根据查询找到最相关的窗口片段。这个方法朴素，但够稳，很多场景比直接把整篇文档塞进上下文更实用。
LangChain、LlamaIndex、Hugging Face 的相关组件都经常被拿来做 RAG。不同框架差别不在'能不能做'，更多在编排方式、生态和上手成本。
56、大模型应用框架 LangChain 和 LlamaIndex 各自的优势有那些？
LangChain 更偏应用编排，组件多，链路灵活；LlamaIndex 更偏数据接入和索引构建，做知识库类应用时会更顺手。选哪个，通常取决于你更重工具编排还是更重检索接入。
57、使用外部知识数据库时需要对文档进行分块，如何科学的设置文档块的大小？
没有统一答案，得看查询粒度、上下文窗口和检索目标。块太大，召回不准；块太小，语义又容易碎。最稳的办法还是结合业务做实验。
58、LLMs 受到上下文长度的限制，如果检索到的文档带有太多噪声，该如何解决这样的问题？
先过滤、再摘要、再重排序，必要时做上下文修剪。不是所有检索结果都该原封不动塞给模型，很多时候少一点噪声，答案反而更稳。
59、RAG(检索增强生成) 对于大模型来说，有什么好处？
RAG 的价值很直接：补知识、降幻觉、增强时效性，还能减少模型死记硬背的压力。它不是万能药，但在知识密集型场景里，往往比单纯堆模型参数更划算。
LangChain 应用开发
什么是 LangChain？ LangChain 是一个把大模型、工具调用、检索和工作流编排在一起的开源框架。它的定位很清楚：不是替模型做思考，而是帮应用把模型用起来。
1、LangChain 包含哪些核心概念？ Components 是可复用模块；Chains 是把多个步骤串起来的流程；Prompt Templates 负责提示词组织；Output Parsers 负责解析结果；Indexes and Retrievers 负责检索；Agents and Toolkits 负责工具调用。
2、什么是 LangChain Agent？ Agent 本质上是能根据输入自己决定下一步做什么的执行体。它不会只按固定流程走，而是会在工具之间做选择。
3、如何使用 LangChain？ 先把需要的组件接进来，再把流程串成 chain，接着处理 prompt、输出解析和部署。实际开发里，最花时间的往往不是把框架跑起来，而是把提示词和链路调顺。
4、LangChain 支持哪些功能？ 外部 API 调用、数据库访问、文本生成、检索问答、多步决策，这些都在它的常见能力范围里。
5、什么是 LangChain model？ 就是被 LangChain 调用的底层语言模型。它可以是 GPT，也可以是其他兼容接口的模型。
6、LangChain 包含哪些特点？ 模块化、可扩展、灵活，外加一个现实层面的优点：它让很多'原本要自己拼装'的东西，能更快搭出原型。
7、LangChain 如何使用？ 和前面类似：接组件、组链路、配 prompt、做输出解析，再上线验证。框架层的东西不难，难的是后面那半段。
8、LangChain 存在哪些问题及方法方案？ 常见问题包括 token 消耗高、概念多、行为不够一致、文档不够顺手、数据结构不统一。解决方式也比较现实：少绕弯、少嵌套、少冗余，能标准化的地方尽量标准化。
9、LangChain 替代方案？ 可以看 Hugging Face Transformers、OpenAI API，或者直接用更轻的自研编排层。LangChain 不是唯一解，尤其在链路简单时，自己写反而更省心。
10、LangChain 中 Components and Chains 是什么？ Components 是单个功能模块，Chains 是这些模块按顺序连接起来的工作流。
11、LangChain 中 Prompt Templates and Values 是什么？ Prompt Templates 是提示词模板，Values 是填进去的实际变量值。
12、LangChain 中 Example Selectors 是什么？ 它是从示例池里挑出最合适示例的工具。用途主要是给模型提供更贴近当前任务的上下文。
13、LangChain 中 Output Parsers 是什么？ Output Parsers 负责把模型输出转成结构化结果，方便后续程序消费。
14、LangChain 中 Indexes and Retrievers 是什么？ Indexes 用来建索引，Retrievers 用来检索相关内容。做知识库问答时，这俩基本是核心组件。
15、LangChain 中 Chat Message History 是什么？ 它负责保留对话历史，让多轮聊天不至于每一轮都像从零开始。
16、LangChain 中 Agents and Toolkits 是什么？ Agents 负责决策，Toolkits 提供可用工具。一个偏'想怎么做'，一个偏'能做什么'。
17、LangChain 如何调用 LLMs 生成回复？ 核心就是把 prompt 发给模型，再把模型返回的结果解析出来。流程不复杂，但 prompt 的组织方式会直接影响输出质量。
18、LangChain 如何修改提示模板？ 改模板文本，或者改模板里使用的变量。这个看着简单，但实际调优经常就是在这里磨时间。
19、LangChain 如何链接多个组件处理一个特定的下游任务？ 把多个组件按顺序串成 chain，前一个输出作为后一个输入。链路越长，越要小心中间结果是否会被放大或污染。
20、LangChain 如何 Embedding&vector store？ 先把文本转成向量，再存进向量库，检索时按相似度召回。这个套路在 RAG 里几乎是标配。
分布式训练 常见框架有 PyTorch、TensorFlow、Horovod、Ray、Accelerate 和 DeepSpeed。不同团队的选择通常不是看谁最'全'，而是看谁最贴合现有训练栈。
Horovod、Ray、DeepSpeed、FairScale 都比较常见。真上到大模型训练时，DeepSpeed 和 Megatron 相关方案会更常被提到。
数据并行是复制模型分数据；张量并行是切模型里的张量；流水线并行是按层切模型。三者的核心差别就是切的对象不同，代价也不同。
4、推理优化技术 Flash Attention 的作用是什么？
Flash Attention 的重点是把注意力计算做得更省显存、更高效，尤其适合长序列场景。它不是换算法逻辑，而是把实现方式做得更接近硬件友好。
5、推理优化技术 Paged Attention 的作用是什么？
Paged Attention 主要解决 KV cache 的内存管理问题。长上下文推理里，内存碎片和占用往往比想象中更麻烦，这类方法就是拿来处理这些工程细节的。
6、CPU-offload，ZeRO-offload 了解？
CPU-offload 是把一部分计算或状态挪到 CPU；ZeRO-offload 则是 DeepSpeed 体系里的进一步优化，把参数、梯度和优化器状态做更细粒度的卸载和分散存储。
Stage 1 分优化器状态，Stage 2 再分梯度，Stage 3 连参数本身也分。阶段越往后，省显存越多，系统复杂度也越高。
优点是快、省显存。问题是数值稳定性会更敏感，尤其在梯度范围很大或很小的时候，需要更小心地处理 loss scaling 之类的问题。
它把 Megatron-LM 的模型并行和 DeepSpeed 的训练优化结合起来，用于更大规模的模型训练。说白了，就是把'模型怎么切'和'训练怎么省'一起解决。
Megatron-LM 是 NVIDIA 做的大模型并行训练方案，重点在张量并行和流水线并行。它的价值不在抽象概念，而在能把超大模型真正训起来。
DeepSpeed 是面向大规模训练的优化库，提供数据并行、模型并行、流水线并行和 ZeRO 等能力。它更像一个训练加速工具箱。
推理优化 主要是模型参数、KV cache、激活缓存和框架本身的分配策略在占空间。很多时候显存'看起来不释放'，不一定是真泄漏，也可能是缓存机制保留了内存。
2、大模型在 GPU 和 CPU 上推理速度如何？
通常 GPU 明显更快，原因就是并行能力强。CPU 也能跑，但适合小模型、低并发或者资源受限的场景。
3、推理速度上，int8 和 fp16 比起来怎么样？
INT8 更省内存，理论上吞吐会更高，但是否真快还得看硬件和实现。FP16 通常更稳，精度损失更小。实际选型时，别只看精度位数，硬件支持和算子实现更关键。
有，但它的'推理'更多是模式归纳、上下文关联和中间步骤生成，不等于人类意义上的严格逻辑证明。这个区别最好在面试里说清楚。
常见的有 temperature、top-k、top-p、max length。参数没有固定最优值，得按任务调。想要稳定就把采样压低一点，想要创意就放开一点。
6、有哪些省内存的大语言模型训练/微调/推理方法？
模型并行、张量切片、混合精度、优化器状态分割、梯度累积都常见。和前面重复的问题不必死背答案，关键是把'减少什么占用'讲明白。
靠模型本身不够，通常要加内容过滤、提示约束、后处理和必要的对齐训练。应用层再补上资源管理、动态部署和缓存，整体才会更稳。
相关免费在线工具 RSA密钥对生成器 生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
Mermaid 预览与可视化编辑 基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
随机西班牙地址生成器 随机生成西班牙地址（支持马德里、加泰罗尼亚、安达卢西亚、瓦伦西亚筛选），支持数量快捷选择、显示全部与下载。 在线工具，随机西班牙地址生成器在线工具，online
curl 转代码 解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
Base64 字符串编码/解码 将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
Base64 文件转换器 将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
