首页 真实面试题 01.大语言模型基础 1.1 大模型发展历程 1.语言模型 1.2 分词与词向量 1.分词 2.jieba分词用法及原理 3.词性标注 4.句法分析 5.词向量 1.3 语言模型基础知识 Word2Vec NLP三大特征抽取器（CNN/RNN/TF） NLP面试题 LLM为什么Decoder only架构 1.4 深度学习 1.激活函数 1.5 一些题目 1.llm概念 02.大语言模型架构 2.1 Transformer模型 1.attention 2.layer_normalization 3.位置编码 4.tokenize分词 5.token及模型参数 6.激活函数 2.2 注意力 MHA_MQA_GQA 2.3 解码部分 解码策略（Top-k & Top-p & Temperature） 2.4 BERT bert细节 Transformer架构细节 bert变种 2.5 常见大模型 llama系列模型 chatglm系列模型 llama 2代码详解 llama 3 2.6 MoE 1.MoE论文 2.MoE经典论文简牍 3.LLM MoE ：Switch Transformers 03.训练数据集 3.1 数据集 数据格式 3.2 模型参数 04.分布式训练 4.1 基础知识 1.概述 2.数据并行 3.流水线并行 4.张量并行 5.序列并行 6.多维度混合并行 7.自动并行 8.moe并行 9.总结 4.2 DeepSpeed deepspeed介绍 4.3 Megatron 4.4 训练加速 4.5 一些有用的文章 4.6 一些题目 1.分布式训练题目 2.显存问题 05.有监督微调 5.1 理论 1.基本概念 2.prompting 3.adapter-tuning 4.lora 5.总结 5.2 微调实战 llama2微调 ChatGLM3微调 5.3 一些题目 1.微调 2.预训练 06.推理 6.1 推理框架 0.llm推理框架简单总结 1.vllm 2.text_generation_inference 3.faster_transformer 4.trt_llm 6.2 推理优化技术 llm推理优化技术 6.3 量化 6.4 vLLM 6.5 一些题目 1.推理 07.强化学习 7.1 强化学习原理 策略梯度（pg） 近端策略优化(ppo) 7.2 RLHF 大模型RLHF：PPO原理与源码解读 DPO 7.3 一些题目 1.rlhf相关 2.强化学习 08.检索增强RAG 8.1 RAG 检索增强llm rag（检索增强生成）技术 8.2 Agent 大模型agent技术 09.大语言模型评估 9.1 模型评估 1.评测 9.2 LLM幻觉 1.大模型幻觉 2.幻觉来源与缓解 10.大语言模型应用 10.1 思维链提示 1.思维链（cot） 10.2 LangChain框架 1.langchain 98.相关课程 98.1 清华大模型公开课 1.NLP&大模型基础 2.神经网络基础 3.Transformer基础 4.Prompt Tuning & Delta Tuning 5.高效训练&模型压缩 6.文本理解和生成大模型 99.参考资料