本文汇总了大模型技术面试的两轮高频问题，涵盖LoRA微调原理、SFT训练技巧、Attention显存优化、分布式训练策略、LayerNorm选择依据、数据清洗方法、GRPO与PPO算法对比、奖励函数设计、RAG应用场景等核心知识点，以及代码实现题。内容全面覆盖大模型从理论基础到实际应用的各个环节，为准备大模型相关岗位面试的开发者提供系统性的复习资料和方向指导。
一面
1． LoRA 微调原理？训练时调过哪些超参数？有什么经验？
2． SFT 的 loss 如何只计算回答部分？（如何 ignore padding token ?)
3． Attention 计算中有哪些显存优化策略？（如 KV Cache 复用、 batch 拼接）
4．分布式训练中 Zero -2和 Zero -3的核心区别是什么？
5．Transformer 为什么用 LayerNorm 而不是 BatchNorm ?
6．项目中的数据规模多大？ SFT 数据是如何清洗和构建的？
7．为什么在项目中选择 GRPO 而不是 PP O 或 DPO ？它解决了什么问题？
8．奖励函数是如何设计的？是否考虑了事实正确性、安全性等维度？
9．为什么引入 RAG ？在什么场景下 RAG 比纯 SFT 更有效？
10．代码题：lc102二叉树的层序遍历
二面
1．bf16和float16的区别？各占多少位？训练中如何选择？
2．DeepSpeed Zero 各阶段做了哪些优化？
3．用 LangGraph 实现多轮对话 Agent ，相比手写 prompt 流程有哪些优势？
- Prefix LM 、 Causal LM 、 Encoder - Decoder 三类架构的适用场景与优缺点？
5．Qwen 或 DeepSeek 技术报告中提到的关键创新点有哪些？（如 RoPE 外推、 MoE )
6． PPO / GRPO 微调后，如何防止模型在分布外（ OOD ）问题上性能崩塌？
7．是否自己实现过 RLHF 流程？不用框架能否手写 PPO 核心逻辑？
8．模型部署用了什么框架（ vLLM / TGI ／自研）？如何优化推理延迟和吞吐？
9．代码题： LeetCode 25:K个一组翻转链表
如何学习AI大模型？
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
第一阶段：从大模型系统设计入手，讲解大模型的主要方法；
第二阶段：在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；
第三阶段：大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；
第四阶段：大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；
第五阶段：大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；
第六阶段：以SD多模态大模型为主，搭建了文生图小程序案例；
第七阶段：以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。
👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；
• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；
• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；
• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。
1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集
👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓
