搜狐大模型算法工程师面试题涉及大模型架构、微调技术及推理加速等核心知识点。文章详细解析了 BART、T5、GPT、GLM 等主流架构差异，阐述了 Prefix LM 与 Casual LM 的 Attention Mask 区别，深入讲解了 LoRA 微调原理及 Instruction Tuning 与 Prompt Learning 的不同应用场景。此外，还介绍了 vLLM 推理加速框架中的 PagedAttention 机制，并提供了 N 皇后问题的回溯算法实现。面试整体偏重基础理论，建议候选人深入理解 Transformer 机制并掌握常见微调与加速技术。
本文基于一次搜狐大模型算法工程师的面试经历整理，涵盖自我介绍、核心算法理论、大模型架构理解及编程实战。整体面试风格偏向基础技术原理的考察，适合准备大模型相关岗位的开发者参考。
在大模型领域，主流架构主要包括以下几种：
两者主要区别在于 Attention Mask 的设计：
LoRA (Low-Rank Adaptation) 是一种高效的参数微调方法：
两者的目标都是挖掘语言模型的知识，但侧重点不同：
项目中主要使用 vLLM 框架进行推理加速。其核心特点是引入了操作系统虚拟内存的思想。
题目描述: 将 n 个皇后放置在 n×n 的棋盘上，使皇后彼此之间不能相互攻击（同一行、列、斜线）。返回所有不同的解决方案。
解题思路: 回溯法。逐行放置皇后，检查当前位置是否合法，若合法则继续下一行，否则回溯。
Python 代码示例:
def solveNQueens(n):
def backtrack(row, cols, diag1, diag2, board):
if row == n:
solutions.append([".".join(r) for r in board])
return
for col in range(n):
d1 = row - col
d2 = row + col
if col in cols or d1 in diag1 or d2 in diag2:
continue
cols.add(col)
diag1.add(d1)
diag2.add(d2)
board[row][col] = 'Q'
backtrack(row + 1, cols, diag1, diag2, board)
board[row][col] = '.'
cols.remove(col)
diag1.remove(d1)
diag2.remove(d2)
solutions = []
board = [['.' for _ in range(n)] for _ in range(n)]
backtrack(0, set(), set(), set(), board)
return solutions
本次面试侧重于技术原理的深度理解，而非复杂的工程细节。建议候选人在准备大模型岗位时：
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
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
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
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
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
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML转Markdown 互为补充。 在线工具，Markdown转HTML在线工具，online