大模型的基本概念
哪些公司问过
答案要点
- 大模型:参数量巨大、在海量数据上预训练的模型,大语言模型基于 Transformer
- 训练阶段:预训练(预测下一个词)→ 指令微调 → 对齐(RLHF、偏好优化)
- 涌现能力:规模增大后出现上下文学习、推理等能力
- 局限:幻觉、知识有截止时间、成本高、对提示词敏感
- 落地要结合检索、工具调用、评测;编码器擅长理解,解码器擅长生成,主流大模型多为 Decoder-only
易错点
- 把大模型说成只是参数量大
- 说不出训练的几个阶段
- 忽略幻觉和成本等局限
- 认为大模型无需检索和工具就能可靠落地
面试官常见追问
- 对 Encoder 和 Decoder 的理解是怎样的?
- 什么是涌现能力?
- 大模型怎么降低幻觉?
- 预训练和微调有什么区别?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。