为什么大语言模型做多步算术和长数字运算容易出错？
围绕“为什么大语言模型做多步算术和长数字运算容易出错”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖从 token 化破坏数字结构与无计算执行能力解释错误成因，给出工具外置方案。
核心关键词LLM 算术能力弱 原因 为何出错
面试知识索引 · 分类、标签与搜索
AI 开发 · 大模型基础面试题，29 道完整答案
AI 开发 · 大模型基础面试题第 1 页，显示第 1–29 题，共找到 29 道完整解析，可继续按分类、标签与关键词缩小范围。
29筛选结果
52技术分类
178检索标签
1索引分页
快速定位
清除全部筛选分类、标签与关键词搜索
第 1 页
本页面试问题
按稳定语义路径排序
- 0001
- 0002
束搜索（beam search）和随机采样在文本生成上各适合什么场景？
围绕“束搜索（beam search）和随机采样在文本生成上各适合什么场景”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要比较高置信度搜索的重复倾向与采样的多样性收益。
核心关键词束搜索 与 随机采样 文本生成区别 - 0003
让大模型先推理再作答（思维链）为什么能提升复杂题准确率，代价是什么？
围绕“让大模型先推理再作答（思维链）为什么能提升复杂题准确率，代价是什么”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要说明中间推理步骤对多步任务的收益与 token 成本、错误传播风险。
核心关键词思维链 权衡 生成质量与成本 - 0004
为什么大模型用自信的语气陈述错误内容，语气能否作为可信度信号？
围绕“为什么大模型用自信的语气陈述错误内容，语气能否作为可信度信号”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要说明生成流畅性与事实正确性解耦的原因及对产品设计的影响。
核心关键词LLM 自信但错误 语气可信度 - 0005
把全部资料塞进上下文和按需检索注入，面对大知识库应如何取舍？
围绕“把全部资料塞进上下文和按需检索注入，面对大知识库应如何取舍”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖从成本、延迟、召回准确率对比两种信息供给策略的适用规模。
核心关键词长上下文 塞入资料 与 检索增强 取舍 - 0006
什么是大模型的上下文窗口，它如何限制一次请求能处理的内容？
回答重点：上下文窗口同时约束输入与输出 token 总额，超过会产生 400 错误或停止生成；通过具体多轮对话场景说明历史、提示词和输出如何竞争有限空间，并解释溢出与精度衰减的边界。
核心关键词LLM context window 上下文窗口 限制 - 0007
用大模型做文本分类时，如何保证输出只落在预定义标签集合内？
围绕“用大模型做文本分类时，如何保证输出只落在预定义标签集合内”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要比较提示枚举、工具调用与受限采样在标签封闭性上的保障强度。
核心关键词文本分类 枚举输出 约束解码 - 0008
少样本提示（few-shot）为什么能在不更新权重的情况下改变模型行为？
围绕“少样本提示（few-shot）为什么能在不更新权重的情况下改变模型行为”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖解释示例作为条件分布引导的机制与示例选择的敏感性。
核心关键词少样本学习 上下文学习 无需更新权重 - 0009
什么是大模型幻觉，事实性幻觉和指令遵循失败是一回事吗？
围绕“什么是大模型幻觉，事实性幻觉和指令遵循失败是一回事吗”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖区分与训练数据冲突的事实错误和无中生有，界定幻觉与通用错误的边界。
核心关键词LLM hallucination 幻觉 类型 - 0010
如何通过多次采样或自我一致性检查来发现大模型的幻觉输出？
围绕“如何通过多次采样或自我一致性检查来发现大模型的幻觉输出”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要说明输出不一致作为不确定性信号的用法与局限。
核心关键词幻觉检测 self-consistency 多次采样 - 0011
大模型输出的 JSON 解析失败时，工程上有哪些修复与容错策略？
围绕“大模型输出的 JSON 解析失败时，工程上有哪些修复与容错策略”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖列举截断补全、错误反馈重试、schema 重生成等策略的适用条件。
核心关键词JSON 解析失败 工程修复 重试策略 - 0012
大模型的知识截止日期对回答时效性问题意味着什么？
围绕“大模型的知识截止日期对回答时效性问题意味着什么”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要说明模型对截止后事件无记忆的含义及工程上补充时效信息的方式。
核心关键词知识截止 时效性 问答边界 - 0013
大模型输出的 logits 是什么，如何从中解读模型对每个 token 的置信程度？
logits 是对词表各 token 的未归一化得分，通过 softmax 转为概率，logprob 即其自然对数。本文从机制说明如何阅读单个 token logprob 并用于低置信度拦截，指出概率高不等于正确，不同模型与 temperature 下不可直接比较。
核心关键词LLM logits logprobs 置信度 - 0014
为什么大模型在长上下文中间位置的信息容易被忽略（lost in the middle）？
本文解释lost in the middle现象的机制，即位置偏置导致中间信息召回下降，并通过一个RAG场景展示对策：将关键证据前置或后置，同时给出边界如超长多跳和指令冲突时的局限。
核心关键词长上下文 中间信息丢失 lost in the middle - 0015
max_tokens 参数控制的是什么，设置过小会导致什么问题？
本题解释 max_tokens 参数如何控制输出长度，指出当输出达到上限时会被强制截断，stop_reason 返回 max_tokens 而非自然终止。通过具体场景说明截断导致 JSON 解析失败，并给出识别和处理方法，帮助开发者避免因参数过小引发应用错误。
核心关键词max_tokens 最大输出长度 截断 - 0016
为什么默认的大模型 API 调用不能访问实时网页、文件或执行动作？
围绕“为什么默认的大模型 API 调用不能访问实时网页、文件或执行动作”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖澄清纯文本补全接口的无工具、无状态本质，区分模型能力与外挂系统能力。
核心关键词LLM 能力边界 无法联网 无状态 - 0017
为什么说大语言模型的本质是下一个 token 预测，概率是如何计算的？
本题解释自回归生成中“下一个 token 预测”的机制：输入序列经 Transformer 后得到隐状态，经线性层产生 logits，再由 softmax 归一化为每个 token 的条件概率。结合具体解码场景说明如何选择 token，并指出采样策略、温度等都会改变最终输出但不改变基础概率的生成逻辑。
核心关键词next token prediction 生成概率 softmax - 0018
提示词越长效果越好吗，长提示的成本与收益如何权衡？
围绕“提示词越长效果越好吗，长提示的成本与收益如何权衡”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要说明冗余提示的边际收益递减与 token 成本累积，给出精简准则。
核心关键词提示词长度 成本与收益 权衡 - 0019
在提示词层面有哪些被验证有效的降低幻觉的手段？
围绕“在提示词层面有哪些被验证有效的降低幻觉的手段”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要说明提供依据材料、允许回答不知道、要求引用原文等技巧及其原理。
核心关键词减少幻觉 提示词 引用资料 允许拒答 - 0020
为什么大模型有时会拒绝完全合理的请求，如何在应用中处理误拒？
围绕“为什么大模型有时会拒绝完全合理的请求，如何在应用中处理误拒”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要说明安全训练导致的过度拒绝现象及改写提示与降级方案。
核心关键词LLM 误拒 over-refusal 处理 - 0021
大模型生成时出现重复循环（重复同一句子）是什么原因，如何缓解？
围绕“大模型生成时出现重复循环（重复同一句子）是什么原因，如何缓解”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖从解码策略与概率反馈角度解释重复成因并给出惩罚与采样调整手段。
核心关键词LLM 生成重复 repetition penalty - 0022
大模型 API 中的 stop sequences 有什么作用，使用不当会引发什么问题？
围绕“大模型 API 中的 stop sequences 有什么作用，使用不当会引发什么问题”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要说明停止序列在结构化与多轮生成中的截断控制及遗漏导致的串话问题。
核心关键词stop sequences 停止序列 用法与陷阱 - 0023
如何让大模型稳定输出合法 JSON，JSON 模式与约束解码有何区别？
围绕“如何让大模型稳定输出合法 JSON，JSON 模式与约束解码有何区别”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要对比提示约束、schema 校验重试与语法约束解码的可靠性层级。
核心关键词LLM JSON 模式 输出约束 解码 - 0024
什么是大模型的谄媚（sycophancy）倾向，为什么在提示中暗示答案会扭曲输出？
围绕“什么是大模型的谄媚（sycophancy）倾向，为什么在提示中暗示答案会扭曲输出”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要说明模型迎合用户立场导致评估与问答失真及中立提问的对策。
核心关键词LLM 谄媚倾向 提示暗示 影响 - 0025
大模型采样参数 temperature 如何影响生成文本的分布？
本文解释温度如何调节 softmax 分布，对比低温与高温的生成效果，并给出具体工程场景与失效边界。
核心关键词LLM temperature 采样 参数 - 0026
为什么用字符数估算大模型的 token 消耗会不准确？
围绕“为什么用字符数估算大模型的 token 消耗会不准确”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要说明中英文、代码、标点在不同分词器下的 token 比例差异及估算误差的实际影响。
核心关键词token 数量 估算 字符数 中英文 - 0027
大语言模型中的 token 化（如 BPE 分词）是如何把文本转成模型输入的？
本文解释 BPE 子词切分的动机、步骤和 OOV 处理方式，用一个具体场景说明 token 序列如何生成，并讨论字节级 BPE 与多语言下的边界。
核心关键词LLM tokenization BPE 分词 - 0028
大模型的工具调用（function calling）为什么比普通文本输出更可靠地产生结构化结果？
围绕“大模型的工具调用（function calling）为什么比普通文本输出更可靠地产生结构化结果”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要说明工具调用以 schema 约束参数生成的机制优势。
核心关键词工具调用 结构化输出 可靠性 - 0029
什么是 top-p（核采样），它和 top-k 采样有什么区别？
解释top-p（核采样）与top-k在候选集选择上的核心差异：top-p按累计概率动态截断，top-k固定数量。给出各自失效边界，并说明二者常被同时使用。
核心关键词top-p 核采样 与 top-k 区别