一下午面了三个大模型岗，全是一言难尽...

真服了，我不信有这个题，还不会 常见的业务题 ◆ 大模型（LLMs）基础面 • 目前主流的开源模型体系有哪些？ • prefix Decoder 和 causal Decoder 和 Encoder-Decoder 区别是什么？ • 大模型LLM的 训练目标 是什么？ • 涌现能力是啥原因？ • 为何现在的大模型大部分是Decoder only结构？ • 简单 介绍一下 大模型【LLMs】？ • 大模型【LLMs】后面跟的 175B、60B、540B等 指什么？ • 大模型【LLMs】具有什么优点？ • 大模型【LLMs】具有什么缺点？ ◆ Layer normalization 篇 • Layer Norm 的计算公式写一下？ • RMS Norm 的计算公式写一下？ • RMS Norm 相比于 Layer Norm 有什么特点？ • Deep Norm 思路？ • 写一下 Deep Norm 代码实现？ • Deep Norm 有什么优点？ • LN 在 LLMs 中的不同位置 有什么区别么？如果有，能介绍一下区别么？ • LLMs 各模型分别用了 哪种 Layer normalization？ ◆ LLMs 激活函数篇 • 介绍一下 FFN 块 计算公式？ • 介绍一下 GeLU 计算公式？ • 介绍一下 Swish 计算公式？ • 介绍一下 使用 GLU 线性门控单元的 FFN 块 计算公式？ • 介绍一下 使用 GeLU 的 GLU 块 计算公式？ • 介绍一下 使用 Swish 的 GLU 块 计算公式？ ◆ Attention 升级面 • 传统 Attention 存在哪些问题？ • Attention 优化方向 • Attention 变体有哪些？ • Multi-head Attention 存在什么问题？ • 介绍一下 Multi-Query Attention？ • 对比一下 Multi-head Attention 和 Multi-Query Attention？ ◆ transformers 操作篇 ◆ LLMs 损失函数篇 ◆ 相似度函数篇 ◆ 大模型（LLMs）进阶面 ◆ 大模型（LLMs）微调面 ◆ LLMs 训练经验帖 ◆ 大模型（LLMs）langchain 面 ◆ 多轮对话中让AI保持长期记忆的8种优化方式篇 ◆ 基于langchain RAG问答应用实战 ◆ 基于LLM+向量库的文档对话 经验面

没有绝对的天才，只有持续不断的付出。对于我们每一个平凡人来说，改变命运只能依靠努力+幸运，但如果你不够幸运，那就只能拉高努力的占比。

内容涉及到：面试题（含答案）+学习笔记+电子书籍+学习视频，已经打包在简介。 .......