# 大模型面试最高频 100 问

> 路线定位：面向大模型算法、训练、后训练、推理、评测和应用岗位的候选人。建议把它当作“主干问答地图”，先建立完整链路，再补细分题。

[返回热门AI学习核心课程与教程总览](README.md) | [返回项目主页](../README.md)

## 先抓主干

高频题的本质不是题量，而是围绕 **架构、训练、对齐、评测、推理、应用** 六个层次形成稳定答案。会背题不等于会答题，能把这六层串起来才算真正吃透。

## 推荐顺序

1. 先看基础概念与模型架构，建立大模型的最小系统图。
2. 再看预训练、后训练和评测，理解模型能力是怎么被塑造出来的。
3. 最后补提示工程、RAG 和应用问题，把“模型”放回真实产品里。

## 核心跳转

- [大模型基础总入口](<../大模型基础（精华版）/01_基础概念与概述.md>)
- [模型架构与工作原理](<../大模型基础（精华版）/02_模型架构与工作原理.md>)
- [预训练：训练与数据处理](<../大模型基础（精华版）/03_预训练：训练与数据处理.md>)
- [后训练：微调与对齐](<../大模型基础（精华版）/04_后训练：微调与对齐.md>)
- [提示工程：应用大模型的高级方法](<../大模型基础（精华版）/05_提示工程：应用大模型的高级方法.md>)
- [模型评估：多维评估大语言模型](<../大模型基础（精华版）/06_模型评估：多维评估大语言模型.md>)
- [什么是 Token，为什么它是大模型的基石概念](<../大模型基础（精华版）/02_模型架构与工作原理.md#面试问题：什么是分词器？什么是词表？>)
- [为什么 Decoder-only 成为大语言模型主流架构](<../大模型基础（精华版）/02_模型架构与工作原理.md#面试问题：为什么Decoder-only成为大语言模型的主流核心架构？>)
- [KV Cache 为什么能加速自回归生成](<../大模型基础（精华版）/02_模型架构与工作原理.md#面试问题：KV Cache 为什么能加速自回归生成？它会带来哪些显存压力？>)
- [为什么主流 LLM 预训练通常采用自回归目标](<../大模型基础（精华版）/03_预训练：训练与数据处理.md#面试问题：为什么主流 LLM 预训练通常采用自回归（下一词元预测）？>)
- [LoRA 的原理是什么](<../大模型基础（精华版）/04_后训练：微调与对齐.md#面试问题：LoRA 的原理是什么？为什么适合大语言模型参数高效微调？>)
- [RAG 的核心思想与系统架构](<../大模型基础（精华版）/05_提示工程：应用大模型的高级方法.md#38.如何理解 RAG 的核心思想与系统架构？>)
- [如何构建大语言模型评估体系](<../大模型基础（精华版）/06_模型评估：多维评估大语言模型.md#41.如何构建大语言模型评估体系？>)

## 本页产出

- 准备一份“100 问主干表”，按架构、训练、对齐、推理、评测、应用六类归档。
- 选 20 道最容易被追问的问题，写成自己的口述答案。
- 用一张图说明从 Token 到生成结果，模型内部到底发生了什么。

## 验收清单

- [ ] 我能区分预训练、SFT、偏好对齐、RAG 和提示工程。
- [ ] 我能解释 Token、注意力、位置编码、KV Cache 和采样策略。
- [ ] 我能把大模型评测说成一套完整体系，而不是一个分数。

[返回热门AI学习核心课程与教程总览](README.md) | [返回项目主页](../README.md)