为什么大语言模型做多步算术和长数字运算容易出错？
为什么大语言模型做多步算术和长数字运算容易出错？ 本文先给出可直接复述的结论，再用最小代码说明LLM 算术能力弱 原因 为何出错的工作方式、判断依据、项目边界和常见误区。
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？
束搜索（beam search）和随机采样在文本生成上各适合什么场景？ 本文先给出可直接复述的结论，再用最小代码说明束搜索 与 随机采样 文本生成区别的工作方式、判断依据、项目边界和常见误区。
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？
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？ 本文先给出可直接复述的结论，再用最小代码说明思维链 权衡 生成质量与成本的工作方式、判断依据、项目边界和常见误区。
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？
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？ 本文先给出可直接复述的结论，再用最小代码说明LLM 自信但错误 语气可信度的工作方式、判断依据、项目边界和常见误区。
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？
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？ 本文先给出可直接复述的结论，再用最小代码说明长上下文 塞入资料 与 检索增强 取舍的工作方式、判断依据、项目边界和常见误区。
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？
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？ 本文先给出可直接复述的结论，再用最小代码说明文本分类 枚举输出 约束解码的工作方式、判断依据、项目边界和常见误区。
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？
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？ 本文先给出可直接复述的结论，再用最小代码说明少样本学习 上下文学习 无需更新权重的工作方式、判断依据、项目边界和常见误区。
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？
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？ 本文先给出可直接复述的结论，再用最小代码说明LLM hallucination 幻觉 类型的工作方式、判断依据、项目边界和常见误区。
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？
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？ 本文先给出可直接复述的结论，再用最小代码说明幻觉检测 self-consistency 多次采样的工作方式、判断依据、项目边界和常见误区。
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？
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？ 本文先给出可直接复述的结论，再用最小代码说明JSON 解析失败 工程修复 重试策略的工作方式、判断依据、项目边界和常见误区。
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？
大模型的知识截止日期对回答时效性问题意味着什么？ 本文先给出可直接复述的结论，再用最小代码说明知识截止 时效性 问答边界的工作方式、判断依据、项目边界和常见误区。
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？
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？ 本文先给出可直接复述的结论，再用最小代码说明LLM logits logprobs 置信度的工作方式、判断依据、项目边界和常见误区。
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）？
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）？ 本文先给出可直接复述的结论，再用最小代码说明长上下文 中间信息丢失 lost in the middle的工作方式、判断依据、项目边界和常见误区。
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？
max_tokens 参数控制的是什么，设置过小会导致什么问题？ 本文先给出可直接复述的结论，再用最小代码说明max_tokens 最大输出长度 截断的工作方式、判断依据、项目边界和常见误区。
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？
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？ 本文先给出可直接复述的结论，再用最小代码说明LLM 能力边界 无法联网 无状态的工作方式、判断依据、项目边界和常见误区。
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？
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？ 本文先给出可直接复述的结论，再用最小代码说明next token prediction 生成概率 softmax的工作方式、判断依据、项目边界和常见误区。
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？
提示词越长效果越好吗，长提示的成本与收益如何权衡？ 本文先给出可直接复述的结论，再用最小代码说明提示词长度 成本与收益 权衡的工作方式、判断依据、项目边界和常见误区。
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？
在提示词层面有哪些被验证有效的降低幻觉的手段？ 本文先给出可直接复述的结论，再用最小代码说明减少幻觉 提示词 引用资料 允许拒答的工作方式、判断依据、项目边界和常见误区。
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？
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？ 本文先给出可直接复述的结论，再用最小代码说明LLM 误拒 over-refusal 处理的工作方式、判断依据、项目边界和常见误区。
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？
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？ 本文先给出可直接复述的结论，再用最小代码说明LLM 生成重复 repetition penalty的工作方式、判断依据、项目边界和常见误区。
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？
大模型 API 中的 stop sequences 有什么作用，使用不当会引发什么问题？ 本文先给出可直接复述的结论，再用最小代码说明stop sequences 停止序列 用法与陷阱的工作方式、判断依据、项目边界和常见误区。
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？
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？ 本文先给出可直接复述的结论，再用最小代码说明LLM JSON 模式 输出约束 解码的工作方式、判断依据、项目边界和常见误区。
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？
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？ 本文先给出可直接复述的结论，再用最小代码说明LLM 谄媚倾向 提示暗示 影响的工作方式、判断依据、项目边界和常见误区。
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？
大模型采样参数 temperature 如何影响生成文本的分布？ 本文先给出可直接复述的结论，再用最小代码说明LLM temperature 采样 参数的工作方式、判断依据、项目边界和常见误区。
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？
为什么用字符数估算大模型的 token 消耗会不准确？ 本文先给出可直接复述的结论，再用最小代码说明token 数量 估算 字符数 中英文的工作方式、判断依据、项目边界和常见误区。
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？
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？ 本文先给出可直接复述的结论，再用最小代码说明LLM tokenization BPE 分词的工作方式、判断依据、项目边界和常见误区。
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？
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？ 本文先给出可直接复述的结论，再用最小代码说明工具调用 结构化输出 可靠性的工作方式、判断依据、项目边界和常见误区。
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？
什么是 top-p（核采样），它和 top-k 采样有什么区别？ 本文先给出可直接复述的结论，再用最小代码说明top-p 核采样 与 top-k 区别的工作方式、判断依据、项目边界和常见误区。
核心关键词top-p 核采样 与 top-k 区别