AI 面试必备知识
AI 面试必备知识 一、大模型 大语言模型(Large Language Model,LLM) : 通过大规模文本训练,学习语言规律并生成、理解和转换文本的模型。 词元(Token) : 模型处理文本的基本单位,可以是字符、词的一部分、完整词或特殊符号。 分词器(Tokenizer) :将文本与词元编号相互转换的组件。
正在读取最新同步的笔记,请稍候。
KNOWLEDGE INDEX / 知识索引
从 Obsidian 同步而来的个人知识索引。按主题翻阅,或直接找到记忆里的那句话。
支持搜索标题、正文与标签,筛选状态会保存在网址中。
检索结果
AI 面试必备知识 一、大模型 大语言模型(Large Language Model,LLM) : 通过大规模文本训练,学习语言规律并生成、理解和转换文本的模型。 词元(Token) : 模型处理文本的基本单位,可以是字符、词的一部分、完整词或特殊符号。 分词器(Tokenizer) :将文本与词元编号相互转换的组件。
从 Python 与机器学习基础走到大模型原理、应用项目和逐题面试复习的学习入口。 AI 学习知识地图 摘要 这是本批学习笔记的导航入口:基础教材解释概念和机制,项目精选串联端到端做法,面试题库用于完整问答练习,整编索引/矩阵记录来源范围和未核读限制。课程示例不代表个人生产经历;版本相关细节以当前官方文档为准。 学习路
系统学习幻觉分类、评测指标与实验设计、多模态输入输出链路,以及可靠性与安全边界。 模型评测、幻觉与多模态 摘要 模型评测要对应真实任务,而不是只看单一榜单。幻觉可能来自知识缺失、训练噪声、提示歧义、检索错误或生成偏差;多模态评测还要分别检查各模态的感知与组合推理。 正文 1. 评测体系 评测前先定义目标用户、任务和失败
从 Token、Transformer 和训练目标理解大语言模型的能力与边界。 大模型基础原理 摘要 大语言模型(Large Language Model,LLM)先把文字变成 Token ID,再把 ID 映射为向量;Transformer(变换器)层通过注意力读取上下文、通过前馈网络变换表示;最后将当前位置的表示映
围绕 Token、Embedding、Transformer、注意力、位置编码和自回归生成的详细问答与追问。 大模型基础原理面试题库 怎么使用这份题库 每道题建议按“先下定义 → 写出计算过程或结构 → 解释为什么这样设计 → 说明边界和变体”的顺序回答。下列答案是完整复习稿,面试现场不必逐字背诵;先给结论,再根据面试
从推理阶段、KV Cache 和内存构成出发理解延迟、吞吐量与优化取舍。 大模型推理与性能优化 摘要 推理性能不仅由参数量决定,还受权重精度、上下文长度、KV Cache、批处理、硬件带宽和运行框架影响。优化应先测量瓶颈,再在质量、延迟、吞吐和资源之间做取舍。 正文 1. 推理过程与指标 推理通常包含 Prefill(
大模型原理、RAG、可靠性和应用设计面试的速览入口;逐题详解见专题题库。 大模型面试精选 摘要 这份笔记是复习速览入口,不是完整题库。回答时先给结论,再解释机制、取舍和边界,最后联系项目中的验证方式;完整问答、追问答案和易错点见各专题题库。课程样例和设计练习不得说成个人生产经历。 正文 1. Transformer 如
按基础原理、训练推理、RAG、Agent 与评测整理面试自测题和回答要点。 大模型面试精选(资料整编) 使用方法 先尝试用自己的话回答,再对照要点补充机制、权衡和边界。技术回答可按“定义 → 原理 → 适用场景 → 局限或风险 → 验证方式”组织。以下是第一批精选框架,不等同于 89 份题库文件的逐题转写;后续还要从题
梳理预训练、监督微调、参数高效微调和偏好对齐之间的关系。 大模型训练、微调与对齐 摘要 预训练学习通用语言模式,继续预训练补充领域语料,监督微调让模型适应指令任务,对齐阶段进一步调整回答偏好和行为。训练流程的关键是目标、数据、资源和评估相互匹配,不是单纯增加训练轮数。 正文 1. 训练阶段 阶段 主要目标 常见数据 注
从数据集、特征、损失与梯度开始,讲清训练流程、神经网络、泛化和评估指标,为理解大模型打基础。 机器学习与深度学习基础 [!abstract] 学习目标 学完后应能说明模型从样本中如何学习参数,能读懂训练/验证曲线,能根据任务选择评价指标,并能解释深度学习中的前向传播与反向传播。这里的公式都从最小例子出发,不要求先掌握高
从 Python 环境、变量和完整核心语法开始,逐步学习函数、模块、面向对象、文件处理,再进入数据分析、网络与 AI 应用。 Python 基础与 AI 应用 [!abstract] 这份笔记的定位 这不是只有概念名词的提纲,而是一份可从零跟练的主笔记。先按“基础语法”顺序学习;装饰器、迭代器、并发等放在后面的提高章节
整理知识入库、混合检索、上下文组装、生成和效果评估的端到端流程。 RAG 检索增强生成 摘要 RAG(检索增强生成)在回答前从外部知识源检索相关资料,再把资料与问题一起交给模型。它适合知识需要更新、需要利用私有文档或要求给出依据的任务,但不能保证检索一定正确或答案一定忠实。 正文 1. 两条流程 **离线索引:**收集