大模型面试精华

---

1 前言

    1.1  大模型的发展历史

---

    1.2  Hugging Face简介

---

    1.3  大模型技术总览

---

    1.4  GPT模型的发展历程

---

    1.5  BERT和GPT之战

---

2 Transformer技术

    2.1  词嵌入技术简介

---

    2.2  Seq2Seq与Attention简介

---

    2.3  Transformer简介

---

    2.4  Transformer十大面试题1

---

    2.5  Transformer十大面试题2

---

    2.6  常见的位置编码方式

---

3 预训练与监督微调

    3.1  预训练技术简介

---

    3.2  监督微调技术简介

---

4 大模型核心技术

    4.1  预训练模型的定义与应用

---

    4.2  思维链技术的研究与分析

---

    4.3  大模型的重复问题

---

    4.4  LoRA的诞生背景

---

    4.5  LoRA的数学原理

---

    4.6  LoRA的核心考点

---

    4.7  模型压缩的基础问题

---

    4.8  知识蒸馏常见考题

---

    4.9  模型量化常见考题

---

    4.10  大模型的剪枝问题

---

    4.11  大模型幻觉和马赛克记忆

---

5 大模型压缩技术

    5.1  大模型压缩的主流方法

---

    5.2  压缩技术全景图

---

    5.3  知识蒸馏入门介绍

---

    5.4  温度参数入门介绍

---

    5.5  落地选型的考量

---

    5.6  智能客服案例分析

---

    5.7  大模型量化

---

    5.8  模型剪枝入门介绍

---

    5.9  大模型压缩实战

---

    5.10  白盒蒸馏和黑盒蒸馏简介

---

6 大模型与强化学习

    6.1  大模型与强化学习

---

    6.2  强化学习面试要点

---

    6.3  RLHF核心考题

---

    6.4  RLHF的挑战

---

    6.5  GRPO入门介绍

---

    6.6  人类反馈强化学习

---

    6.7  直接偏好优化算法介绍

---

    6.8  PPO算法代码复现

---

    6.9  大模型与强化学习

---

    6.10  强化学习核心概念

---

    6.11  RLHF入门介绍

---

    6.12  PPO入门介绍

---

    6.13  RLAIF与自动化对齐

---

7 扩散模型与文生图

    7.1  文生图原理介绍

---

    7.2  扩散模型原理介绍

---

    7.3  扩散模型与文生图

---

8 手搓大模型

---