大模型面试真题深度解析：从SFT到RLHF，手把手带你攻克算法岗难题！

最近金三银四，后台不少读者留言让我聊聊大模型方向的面试经验。恰好上个月我完整经历了某猪场的大模型用算法岗面试，一路从一面到Offer，被问到头皮发麻。

但不得不说，这场面试让我对自己过去两年的技术积累有了全新的梳理。今天我就把面试中被拷问到的问题整理出来，不是简单的题目罗列，而是我当时真实思考的过程、卡壳的地方，以及事后复盘时想明白的点。如果你正在准备类似岗位，或者想系统构建RAG方向的知识体系，这篇文章值得你静下心来看完。

问题1：在你的项目中，大模型最关键的性能指标是什么？如何评估？

• 标准答案：
  大模型最关键的性能指标通常分为两类：任务型指标和系统型指标。

• 任务型指标取决于具体应用场景。比如在对话系统中，我们关注回答的相关性、连贯性和安全性；在代码生成任务中，关注代码的可执行率和准确率；在检索增强生成（RAG）中，则关注检索召回率与生成结果的结合质量。
• 系统型指标则包括推理延迟、吞吐量、显存占用等，它们直接影响模型的落地可行性。评估时，我们通常采用离线自动化评测（如BLEU、ROUGE、准确率等）和在线A/B测试（如用户点击率、满意度评分）相结合的方式。此外，还需要引入人工评估，因为大模型生成的内容往往具有开放性，自动指标难以全面覆盖。

• 问题难点分析：
  这个问题的难点在于指标的多样性和场景依赖性。面试官不希望听到你只背诵几个常见指标，而是想了解你是否能根据项目特点灵活定义关键指标。比如，如果你做的项目是客服问答，那么“答案准确率”和“拒绝率”可能比“流畅度”更重要。很多候选人容易犯的错误是回答得太泛，没有结合具体项目，显得缺乏实践经验。
• 面试官考察点：

• 你对大模型落地中核心问题的把握，是否能区分哪些指标是“生死攸关”的。
• 评估体系的完整性，能否兼顾自动评估和人工评估，以及如何处理二者之间的差异。
• 数据驱动思维，是否懂得通过指标迭代来推动模型优化。

• 问题衍生：

• 如果项目指标之间出现冲突（如延迟和效果），你如何权衡？
• 如何设计一个合理的A/B测试方案来验证模型上线后的效果？
• 对于生成任务，自动指标与人工评估的相关性如何分析？

问题2：如果模型效果不达标，你通常优先优化哪一部分？

• 标准答案：
  优先优化的部分取决于问题的具体表现。一般我会遵循从数据到模型再到推理的排查顺序：

1. 数据质量：首先检查训练数据是否存在噪声、标注错误或分布偏差。数据问题往往是效果不佳的首要原因，修复数据往往能带来最直接的提升。
2. 模型结构：如果数据没有问题，再考虑模型容量是否足够，或者是否需要对特定层进行改进，比如引入更好的注意力机制。
3. 训练策略：调整学习率、优化器、批次大小等超参数，或者尝试更先进的学习率调度策略。
4. 后处理与推理：有时问题出在解码策略上，比如温度过高导致生成随机性太强，或者束搜索宽度不够。
   如果以上都无效，我可能会考虑引入更大规模的预训练模型或领域数据继续预训练。

• 问题难点分析：
  这个问题的难点在于优先级判断的逻辑性。面试官希望看到你有系统性的调试方法，而不是“凭感觉”随机尝试。另外，有些候选人一上来就说“调参”，这是比较低级的回答，因为调参往往只是最后的手段，而且收益有限。
• 面试官考察点：

• 问题排查的系统性思维，能否建立从数据到模型的优化链路。
• 实践经验，是否真的遇到过效果不达标的情况，以及如何解决的。
• 对成本收益的敏感度，知道哪些优化手段投入产出比高。

• 问题衍生：

• 如果发现模型在特定类别上表现差，你会怎么做？
• 如何判断问题是欠拟合还是过拟合？
• 什么时候应该考虑更换模型架构而不是继续调优？

问题3：大模型生成任务常用自动评测指标有哪些？为什么BLEU / ROUGE不适合评估部分生成任务？

• 标准答案：
  常用自动评测指标包括：

  BLEU/ROUGE不适合部分生成任务的原因：

• BLEU：基于n-gram精确匹配，适合机器翻译等需要严格对应参考译文的场景。
• ROUGE：基于召回率，适合摘要生成等需要覆盖关键信息的任务。
• METEOR：考虑同义词和词干，比BLEU更灵活。
• BERTScore：利用预训练模型计算语义相似度，更适合开放生成任务。
• Perplexity：衡量模型对生成文本的置信度，但并非直接评测生成质量。

1. 依赖参考文本：对于创意写作、对话等多样化任务，单一参考文本无法覆盖所有可能的正确表达，导致低分。
2. 忽略语义：仅基于词汇重叠，无法理解语义等价性（如同义句）。
3. 对长度敏感：BLEU有短句惩罚，但过长或过短并不一定代表质量差。
4. 无法评估事实准确性：对于知识密集型任务，生成的文本可能流畅但与事实不符，BLEU无法捕捉。

• 问题难点分析：
  这个问题需要你对常见指标的适用场景和局限性有清晰认识。很多候选人能背出BLEU的定义，但说不清楚为什么它在对话评估中失效。面试官往往通过追问“那你觉得什么指标更合适”来考察你是否了解前沿的评估方法。
• 面试官考察点：

• 对评估指标本质的理解，是否知道每个指标的设计初衷和数学假设。
• 能否根据任务特性选择合适的指标，体现你对大模型评估复杂性的认识。
• 对新指标的关注度，比如BERTScore、BLEURT等。

• 问题衍生：

• 在对话生成中，如何设计一个结合自动指标和人工评估的混合评测体系？
• BERTScore与BLEU相比，有哪些优缺点？
• 如何评估模型生成文本的事实一致性？

问题4：如何设计人工评测流程评估模型回答质量？

• 标准答案：
  设计人工评测流程需要兼顾科学性、可操作性和可重复性。一般包括以下步骤：

1. 明确评测维度：根据任务定义关键质量维度，如相关性、连贯性、准确性、安全性、有用性等。每个维度要有清晰的评分标准（如1-5分）。
2. 构建评测集：选取具有代表性的测试样本，覆盖不同难度和场景。样本数量要足够，以保证统计显著性。
3. 招募并培训评测员：选择背景合适的评测员（如普通用户或领域专家），并进行统一培训，确保他们对评分标准理解一致。
4. 设计评测方式：可以采用单盲或双盲设计，避免偏见。同时可引入对比评测（如A/B测试），让评测员直接比较两个模型的输出。
5. 质量控制：随机插入一些“黄金测试”来检查评测员的可靠性，或让多个评测员标注同一份数据计算一致性（如Kappa系数）。
6. 结果分析：统计平均分、标准差，并结合定性反馈进行综合分析。

• 问题难点分析：
  这个问题的难点在于评测的主观性和一致性。人工评测很容易受到评测员个人偏好、疲劳程度等因素影响，如何保证结果的可靠性是关键。此外，维度设计是否合理也直接影响评测的有效性。
• 面试官考察点：

• 对人工评测复杂性的认识，是否考虑过各种偏差和控制手段。
• 实践经验，是否有过组织人工评测的经历，遇到过哪些坑。
• 能否将评测结果与模型改进闭环，即如何根据人工反馈指导优化。

• 问题衍生：

• 如果评测员之间评分一致性很低，你会怎么处理？
• 如何利用大模型辅助人工评测，提高效率？
• 在资源有限的情况下，如何权衡样本数量和评测质量？

问题5：在训练大模型时遇到过什么问题嘛？如何解决的啊

• 标准答案：
  训练大模型时常见问题及解决思路：

• 显存不足：采用梯度累积、混合精度训练、模型并行、ZeRO优化等技术。
• 训练不稳定（Loss震荡或爆炸）：调整学习率、使用warmup、梯度裁剪、检查数据是否存在异常。
• 过拟合：增加数据多样性、使用dropout、权重衰减、早停。
• 收敛缓慢：调整优化器（如AdamW）、学习率调度、检查数据加载是否成为瓶颈。
• 灾难性遗忘：在微调时使用经验回放、EWC、或结合预训练任务进行多任务学习。
  以我自己的项目为例，曾经遇到过在领域数据上继续预训练时，模型出现语言能力下降的问题。后来通过混合通用语料和领域语料，并降低领域数据的学习率，缓解了灾难性遗忘。

• 问题难点分析：
  这个问题考验的是实战经验。面试官希望听到具体的问题和解决方案，而不是泛泛而谈。难点在于如何把问题描述得清晰，并体现你解决问题的思路和动手能力。
• 面试官考察点：

• 是否真正动手训练过大模型，遇到过哪些典型的工程问题。
• 解决问题的深度，是直接套用现成方案，还是能深入理解原理后进行调优。
• 学习能力，是否关注最新的训练技术（如FlashAttention、DeepSpeed）。

• 问题衍生：

• 混合精度训练的原理是什么？为什么能减少显存？
• 梯度裁剪的阈值如何设置？
• 如果模型在验证集上Loss下降但指标不升，可能是什么原因？

问题6：为什么长文本推理时Attention计算会成为瓶颈？如何解决？

• 标准答案：
  Attention机制的计算复杂度是O(n²)（n为序列长度），随着文本变长，计算量和显存占用呈平方级增长，因此成为瓶颈。具体来说，自注意力需要计算每个token对所有token的注意力分数，导致显存和计算时间爆炸。

  解决方案包括：

1. 稀疏注意力：限制每个token只关注局部窗口或少数全局token，如Longformer、BigBird。
2. 线性注意力：将softmax注意力近似为核函数形式，使复杂度降为O(n)，如Performer。
3. 分段处理：将长文本切分成多个片段，分别处理后再融合，如Transformer-XL。
4. 改进推理策略：使用KV缓存，避免重复计算；或采用流式推理，逐步生成。
5. 硬件优化：使用FlashAttention等IO感知的注意力实现，减少显存读写。

• 问题难点分析：
  这个问题既考察理论基础（复杂度分析），又考察工程实践（解决方案）。难点在于不仅要列出方法，还要理解每种方法的trade-off，比如稀疏注意力可能损失全局信息，线性注意力可能带来精度下降。
• 面试官考察点：

• 对Transformer核心瓶颈的深刻理解。
• 是否关注长文本建模的前沿研究，如Longformer、FlashAttention。
• 工程权衡能力，在资源限制下如何选择最合适的方案。

• 问题衍生：

• FlashAttention是如何减少显存读写的？
• 如果既要长文本又要高精度，你会怎么设计模型？
• 位置编码对长文本推理有什么影响？

问题7：如果模型回答过于冗长，如何通过Prompt优化？

• 标准答案：
  可以通过Prompt设计来引导模型生成更简洁的回答：

1. 明确指令：在Prompt中加入“请用一句话简要回答”或“限制在50字以内”。
2. 示例引导：提供简洁回答的示例，让模型模仿。例如：“Q: 什么是AI？A: 人工智能的简称。”
3. 约束解码：结合Prompt中的指令，在推理时设置最大生成长度，或使用长度惩罚。
4. 少样本学习：在Prompt中给出几个问答对，其中答案都是简洁的，让模型学会模式。
5. 角色设定：如“你是一个喜欢简洁的专家”，让模型进入角色。
   需要注意的是，过度压缩可能导致信息丢失，因此需要平衡简洁性和完整性。

• 问题难点分析：
  这个问题的难点在于如何在不牺牲质量的前提下控制长度。单纯限制长度可能导致模型截断不完整，需要结合Prompt设计让模型自主选择关键信息。另外，不同模型对Prompt的敏感度不同，需要实验调优。
• 面试官考察点：

• 对Prompt工程的熟练程度，是否知道多种控制方法。
• 对模型行为的理解，能否预判不同Prompt的效果。
• 实际应用能力，能否在项目中快速通过Prompt优化满足需求。

• 问题衍生：

• 如果Prompt优化后回答仍然冗长，你还会尝试哪些方法？
• 如何设计Prompt让模型在简洁的同时保持事实准确性？
• 有没有可能通过微调而不是Prompt来永久改善冗长问题？

问题8：DPO与RLHF的核心区别是什么？为什么DPO可以不需要Reward Model？

• 标准答案：
  核心区别：

  为什么DPO不需要Reward Model？
  DPO基于Bradley-Terry模型，假设人类偏好概率与两个回答的奖励差值相关。通过数学推导，可以将奖励函数表示为参考模型和目标模型的对数概率之差。因此，直接优化目标模型使其对偏好回答的生成概率高于非偏好回答，就等价于优化了隐式奖励。这样省去了训练奖励模型的步骤，简化了流程，也避免了强化学习的不稳定性。

• RLHF（基于人类反馈的强化学习）：通常包含三个阶段：训练奖励模型（Reward Model），然后使用强化学习（如PPO）优化语言模型以最大化奖励。
• DPO（直接偏好优化）：跳过显式的奖励模型，直接利用偏好数据通过最大化偏好概率来优化语言模型。DPO的核心思想是将奖励函数隐式地表示为语言模型的对数概率比，从而将偏好优化转化为一个简单的分类损失。

• 问题难点分析：
  这个问题需要深入理解RLHF的数学原理和DPO的推导过程。很多候选人只知道DPO更简单，但说不清为什么可以去掉奖励模型。面试官往往通过追问“DPO的损失函数是如何推导的”来考察数学功底。
• 面试官考察点：

• 对RLHF流程的熟悉程度，是否理解每个阶段的作用。
• 对DPO论文的深入理解，能否解释其数学等价性。
• 比较分析能力，能指出两种方法的优缺点和适用场景。

• 问题衍生：

• DPO的损失函数中，参考模型的作用是什么？
• DPO在处理多轮对话偏好时有什么局限性？
• 有没有可能将DPO扩展到在线学习场景？

问题9：在RLHF中，为什么需要KL penalty？

• 标准答案：
  在RLHF中，KL penalty（KL散度惩罚）的作用是防止优化后的语言模型偏离原始预训练模型太远。具体来说，强化学习的目标是最大化奖励，但如果没有约束，模型可能会过度优化奖励函数，导致生成不自然或重复的文本，甚至出现奖励黑客行为（即找到奖励函数的漏洞）。KL penalty通过惩罚当前模型与参考模型（通常是SFT模型）之间的分布差异，鼓励模型在提升奖励的同时保持语言流畅性和多样性。它相当于一个正则化项，平衡了“迎合奖励”和“保持原有能力”之间的关系。
• 问题难点分析：
  这个问题的难点在于理解KL penalty的双重作用：既是正则化，又是防止奖励过度优化的安全网。有些候选人可能会回答“为了防止过拟合”，但不够精确。面试官希望听到“保持与原始分布的接近”这一核心思想。
• 面试官考察点：

• 对RLHF训练稳定性的理解，是否知道KL penalty的必要性。
• 对强化学习与语言模型结合的风险意识，能否预见过度优化的问题。
• 对超参数调节的敏感性，比如KL系数如何影响最终效果。

• 问题衍生：

• KL penalty系数过大或过小会有什么影响？
• 除了KL penalty，还有哪些方法可以约束模型更新？
• 在DPO中是否有类似KL penalty的机制？它是如何体现的？

问题10：为什么PPO在LLM训练中比传统Policy Gradient更稳定？在什么情况下DPO效果可能不如RLHF？

• 标准答案：
  PPO的稳定性来源：

  DPO效果可能不如RLHF的情况：

• 当偏好数据存在噪声或分布偏移时：RLHF通过奖励模型可以学习到更平滑的偏好函数，对噪声有一定鲁棒性；而DPO直接优化偏好对，对数据质量更敏感。
• 当需要多轮交互或复杂约束时：RLHF可以结合多个奖励信号（如安全性、有用性）加权，而DPO通常只能处理成对偏好。
• 当偏好数据量不足时：RLHF可以先训练奖励模型，再利用未标注数据进行强化学习，而DPO只能依靠有限的偏好对。
• 当任务需要连续控制或细粒度反馈时：RLHF的奖励模型可以提供连续值反馈，而DPO的偏好只有相对顺序。

1. 重要性采样与裁剪：PPO使用重要性采样来利用旧策略收集的数据，并通过裁剪（clip）限制更新幅度，避免策略突变。
2. 优势函数估计：PPO使用GAE（广义优势估计）减少方差，同时引入值函数（Critic）作为基线，进一步降低梯度估计的方差。
3. 多轮更新：PPO允许在一个批次数据上进行多次梯度更新，提高了样本效率。
   相比之下，传统Policy Gradient（如REINFORCE）直接使用蒙特卡洛回报，方差大，容易导致训练震荡。

• 问题难点分析：
  这个问题是RLHF领域的核心对比，需要深入理解PPO的算法细节和DPO的局限性。难点在于不仅要说出PPO的优点，还要从理论层面解释为什么这些机制带来稳定。对于DPO的劣势，需要结合具体场景分析。
• 面试官考察点：

• 对强化学习算法原理的掌握，是否理解PPO的裁剪、优势估计等核心设计。
• 对比分析能力，能客观评价两种方法的优劣，而不是简单地说“DPO更好”。
• 对实际应用场景的洞察，知道什么情况下该选择哪种方法。

• 问题衍生：

• PPO中的裁剪阈值如何影响训练？
• 如果偏好数据只有“好”和“坏”两类，DPO和RLHF哪个更合适？
• 如何结合DPO和RLHF的优点设计新算法？

问题11：大语言模型预训练数据一般由哪些类型构成？预训练语料如何进行清洗与去重？

• 标准答案：
  预训练数据通常包括：

  清洗与去重流程：

• 网页文本：如Common Crawl，规模最大但噪声多。
• 书籍：如BookCorpus，提供长篇连贯文本。
• 学术论文：如arXiv，提供专业领域知识。
• 代码：如GitHub，提升代码理解和生成能力。
• 社交媒体：如Reddit，提供对话风格。
• 百科：如Wikipedia，提供结构化知识。

1. 语言过滤：保留目标语言，去除其他语言。
2. 质量过滤：基于启发式规则（如标点符号比例、单词数）或分类器（训练一个质量打分模型）去除低质量文本。
3. 去重：包括文档级去重（MinHash、SimHash）和句子级去重，避免重复数据导致过拟合。
4. 隐私过滤：去除个人身份信息。
5. 毒性过滤：使用黑名单或分类器去除有害内容。
6. 数据混合：按一定比例混合不同类型的数据，平衡领域多样性。

• 问题难点分析：
  这个问题涉及数据工程的方方面面，难点在于清洗和去重的粒度控制。比如，过度去重可能丢失多样性，而不足则导致重复。另外，如何设计有效的质量过滤器也需要经验。
• 面试官考察点：

• 对大规模数据处理流程的熟悉程度，是否了解常用工具（如Spark、Hadoop）。
• 数据质量意识，能否识别哪些噪声对模型影响最大。
• 对数据伦理和安全的考虑，如隐私、偏见等问题。

• 问题衍生：

• 如何评估清洗后的数据质量？
• 数据去重后，模型的知识广度是否会受影响？
• 对于多语言模型，数据比例如何确定？

问题12：如何减少推理延迟（latency）？为什么batch推理可以提升吞吐量？大模型推理时temperature / top-p参数分别控制什么？

• 标准答案：
  减少推理延迟的方法：

  为什么batch推理可以提升吞吐量？
  batch推理将多个请求合并成一个批次同时处理，充分利用GPU的并行计算能力。虽然单个请求的延迟可能略有增加（因为需要等待批次填满），但整体吞吐量（每秒处理的请求数）大幅提升，因为硬件计算单元被更充分地利用。此外，矩阵运算在批次维度上也容易并行化。

  temperature和top-p参数：

• temperature：控制生成的概率分布的平滑程度。温度越高，分布越均匀，生成随机性越大；温度越低，分布越尖锐，越倾向于高概率词。
• top-p（核采样）：只考虑累积概率超过p的最小词集合，然后从中采样。它动态调整候选词数量，避免低概率词被选中，同时保留多样性。

1. 模型优化：使用量化（如INT8、FP16）、剪枝、蒸馏等技术减小模型尺寸。
2. 架构改进：采用更高效的注意力（如FlashAttention）、使用更少层的模型。
3. 推理优化：使用KV缓存、批处理（动态批处理）、连续批处理。
4. 硬件加速：使用GPU/TPU专用算子，优化内存访问。
5. 服务部署：使用模型并行、多卡推理，或使用专门的推理引擎（如TensorRT、ONNX Runtime）。

• 问题难点分析：
  这个问题覆盖了推理优化的多个层面，从模型到工程。难点在于理解批处理为什么能提升吞吐量，以及temperature和top-p的数学含义。有些候选人容易混淆temperature和top-p的作用，或者说不清二者如何协同工作。
• 面试官考察点：

• 对推理加速技术的全面了解，是否知道当前主流方法。
• 对吞吐量与延迟权衡的理解，能否根据业务需求选择合适策略。
• 对生成策略的掌握，是否清楚如何控制生成文本的随机性和多样性。

• 问题衍生：

• 动态批处理和静态批处理有什么区别？
• 如何设置temperature和top-p来平衡创造性和稳定性？
• 量化INT8对模型精度的影响有多大？如何补偿？

问题13：代码题：无重复字符的最长子串

• 标准答案：
  这是一个经典的滑动窗口问题。给定一个字符串，找出其中不含有重复字符的最长子串的长度。
  解法：使用两个指针left和right维护一个窗口，并用哈希集合记录窗口内的字符。right向右扩展，如果新字符不在集合中，则加入并更新最大长度；如果已存在，则移动left并删除对应字符，直到重复字符被移出。时间复杂度O(n)，空间复杂度O(字符集大小)。

  示例代码（Python）：

  def lengthOfLongestSubstring(s): char_set = set() left = max_len = 0 for right in range(len(s)): while s[right] in char_set: char_set.remove(s[left]) left += 1 char_set.add(s[right]) max_len = max(max_len, right - left + 1) return max_len

• 问题难点分析：
  作为算法题，难度中等偏易，主要考察滑动窗口的熟练度和边界条件处理。难点在于理解为什么用while循环移除左边界，以及如何更新最大长度。虽然简单，但面试官可能会追问优化或变种。

• 面试官考察点：

• 基本编程能力，能否快速写出无bug的代码。
• 对时间复杂度的分析，是否意识到O(n)的解法。
• 代码风格，是否简洁清晰。
• 扩展思维，是否考虑过字符串包含中文或Unicode字符的情况。

• 问题衍生：

• 如果要求输出最长子串本身，如何修改？
• 如果字符串流式输入，如何实时更新最长无重复子串？
• 如果允许重复字符最多k次，如何求解？

总结

这次面试覆盖了大模型训练、评估、优化、强化学习、数据处理和工程部署的方方面面，既有理论深度，又有实践细节。每个问题都像一把钥匙，试图打开你对大模型本质的理解之门。通过复盘，我深刻感受到面试官不仅关注你是否知道某个技术点，更看重你是否理解其背后的原理、局限性和适用场景。希望我的分享能帮助你在准备面试时，不只停留在表面，而是深入思考每个技术选择的“为什么”。

最后唠两句

为什么AI大模型成为越来越多程序员转行就业、升职加薪的首选

很简单，这些岗位缺人且高薪

智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200% ，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。

AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。

那0基础普通人如何学习大模型 ？

深耕科技一线十二载，亲历技术浪潮变迁。我见证那些率先拥抱AI的同行，如何建立起效率与薪资的代际优势。如今，我将积累的大模型面试真题、独家资料、技术报告与实战路线系统整理，分享于此，为你扫清学习困惑，共赴AI时代新程。

我整理出这套 AI 大模型突围资料包【允许白嫖】：

• ✅从入门到精通的全套视频教程
• ✅AI大模型学习路线图（0基础到项目实战仅需90天）
• ✅大模型书籍与技术文档PDF
• ✅各大厂大模型面试题目详解
• ✅640套AI大模型报告合集
• ✅大模型入门实战训练

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】

①从入门到精通的全套视频教程

包含提示词工程、RAG、Agent等技术点

② AI大模型学习路线图（0基础到项目实战仅需90天）

全过程AI大模型学习路线

③学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

④各大厂大模型面试题目详解

⑤640套AI大模型报告合集

⑥大模型入门实战训练

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能 ‌突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

👉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】🆓