在持续学习多个任务时，为何模型会遗忘旧任务知识？请从参数更新机制解释根本原因。
在持续学习多个任务时，为何模型会遗忘旧任务知识？请从参数更新机制解释根本原因。 本文先给出可直接复述的结论，再用最小代码说明灾难性遗忘 持续学习 参数更新 旧任务遗忘的工作方式、判断依据、项目边界和常见误区。
核心关键词灾难性遗忘 持续学习 参数更新 旧任务遗忘
面试知识索引 · 分类、标签与搜索
AI 开发 · 微调与数据面试题，31 道完整答案
AI 开发 · 微调与数据面试题第 1 页，显示第 1–31 题，共找到 31 道完整解析，可继续按分类、标签与关键词缩小范围。
31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
在持续接收新数据的情况下，如何设计微调策略以避免灾难性遗忘？
在持续接收新数据的情况下，如何设计微调策略以避免灾难性遗忘？ 本文先给出可直接复述的结论，再用最小代码说明持续微调 新数据 灾难性遗忘 防止策略的工作方式、判断依据、项目边界和常见误区。
核心关键词持续微调 新数据 灾难性遗忘 防止策略 - 0003
针对仅有 1000 条语料的低资源语言，如何通过数据增强提升微调鲁棒性？
针对仅有 1000 条语料的低资源语言，如何通过数据增强提升微调鲁棒性？ 本文先给出可直接复述的结论，再用最小代码说明低资源语言 数据增强 微调 鲁棒性提升的工作方式、判断依据、项目边界和常见误区。
核心关键词低资源语言 数据增强 微调 鲁棒性提升 - 0004
在标签严重不平衡的数据集中，如何通过采样策略改进微调效果？请说明具体实现方式。
在标签严重不平衡的数据集中，如何通过采样策略改进微调效果？请说明具体实现方式。 本文先给出可直接复述的结论，再用最小代码说明训练数据 标签不平衡 采样策略 改进方法的工作方式、判断依据、项目边界和常见误区。
核心关键词训练数据 标签不平衡 采样策略 改进方法 - 0005
在微调过程中，若验证损失不再下降但训练损失继续降低，应如何做出停止决策？
在微调过程中，若验证损失不再下降但训练损失继续降低，应如何做出停止决策？ 本文先给出可直接复述的结论，再用最小代码说明早停 验证损失不降 训练损失下降 决策逻辑的工作方式、判断依据、项目边界和常见误区。
核心关键词早停 验证损失不降 训练损失下降 决策逻辑 - 0006
在边缘设备部署前，如何通过模拟真实硬件环境评估微调模型的性能？
在边缘设备部署前，如何通过模拟真实硬件环境评估微调模型的性能？ 本文先给出可直接复述的结论，再用最小代码说明边缘设备 部署前 模拟硬件 评估性能的工作方式、判断依据、项目边界和常见误区。
核心关键词边缘设备 部署前 模拟硬件 评估性能 - 0007
为何评估集需包含多样化的输入分布？请举例说明其对模型泛化能力评估的影响。
为何评估集需包含多样化的输入分布？请举例说明其对模型泛化能力评估的影响。 本文先给出可直接复述的结论，再用最小代码说明评估集 多样性 输入分布 泛化能力 评估有效性的工作方式、判断依据、项目边界和常见误区。
核心关键词评估集 多样性 输入分布 泛化能力 评估有效性 - 0008
针对长文本生成任务，如何构建有效的评估集以衡量模型的上下文保持能力？
针对长文本生成任务，如何构建有效的评估集以衡量模型的上下文保持能力？ 本文先给出可直接复述的结论，再用最小代码说明长文本生成 评估集 上下文保持能力 构建方法的工作方式、判断依据、项目边界和常见误区。
核心关键词长文本生成 评估集 上下文保持能力 构建方法 - 0009
在低延迟场景下，为何选择微调而非检索增强生成？请从推理开销和上下文长度约束角度分析。
在低延迟场景下，为何选择微调而非检索增强生成？请从推理开销和上下文长度约束角度分析。 本文先给出可直接复述的结论，再用最小代码说明微调与检索取舍 推理延迟 上下文长度 低延迟系统的工作方式、判断依据、项目边界和常见误区。
核心关键词微调与检索取舍 推理延迟 上下文长度 低延迟系统 - 0010
将通用大模型用于医疗文本生成时，为何仅用少量领域数据微调仍可能导致输出不专业？
将通用大模型用于医疗文本生成时，为何仅用少量领域数据微调仍可能导致输出不专业？ 本文先给出可直接复述的结论，再用最小代码说明微调 领域偏移 医疗文本 专业性 输出偏差的工作方式、判断依据、项目边界和常见误区。
核心关键词微调 领域偏移 医疗文本 专业性 输出偏差 - 0011
在微调中如何通过数据筛选和损失函数设计减少模型输出中的性别偏见？
在微调中如何通过数据筛选和损失函数设计减少模型输出中的性别偏见？ 本文先给出可直接复述的结论，再用最小代码说明微调 减少性别偏见 数据筛选 损失函数设计的工作方式、判断依据、项目边界和常见误区。
核心关键词微调 减少性别偏见 数据筛选 损失函数设计 - 0012
在单张 24GB 显存卡上微调 Llama-3-8B 模型时，应采用哪些内存优化技术？
在单张 24GB 显存卡上微调 Llama-3-8B 模型时，应采用哪些内存优化技术？ 本文先给出可直接复述的结论，再用最小代码说明微调 显存限制 24GB GPU Llama-3-8B 内存优化的工作方式、判断依据、项目边界和常见误区。
核心关键词微调 显存限制 24GB GPU Llama-3-8B 内存优化 - 0013
微调后模型的推理延迟是否一定增加？请从模型大小和结构变化角度分析。
微调后模型的推理延迟是否一定增加？请从模型大小和结构变化角度分析。 本文先给出可直接复述的结论，再用最小代码说明微调 推理延迟 模型大小 结构变化的工作方式、判断依据、项目边界和常见误区。
核心关键词微调 推理延迟 模型大小 结构变化 - 0014
微调后模型输出的一致性为何可能下降？请从参数扰动角度解释。
微调后模型输出的一致性为何可能下降？请从参数扰动角度解释。 本文先给出可直接复述的结论，再用最小代码说明微调 输出一致性 下降 参数扰动 原因分析的工作方式、判断依据、项目边界和常见误区。
核心关键词微调 输出一致性 下降 参数扰动 原因分析 - 0015
微调后模型对温度参数的敏感度是否发生变化？请从概率分布调整角度解释。
微调后模型对温度参数的敏感度是否发生变化？请从概率分布调整角度解释。 本文先给出可直接复述的结论，再用最小代码说明微调 温度敏感度 概率分布变化的工作方式、判断依据、项目边界和常见误区。
核心关键词微调 温度敏感度 概率分布变化 - 0016
微调后模型对未见过的词（OOV）的处理能力是否会下降？请从嵌入层更新角度解释。
微调后模型对未见过的词（OOV）的处理能力是否会下降？请从嵌入层更新角度解释。 本文先给出可直接复述的结论，再用最小代码说明微调 OOV 处理能力 嵌入层更新的工作方式、判断依据、项目边界和常见误区。
核心关键词微调 OOV 处理能力 嵌入层更新 - 0017
当训练数据中存在 10% 的错误标签时，会对微调结果产生何种影响？请从收敛路径角度分析。
当训练数据中存在 10% 的错误标签时，会对微调结果产生何种影响？请从收敛路径角度分析。 本文先给出可直接复述的结论，再用最小代码说明噪声标签 微调 影响 收敛路径 错误标签比例的工作方式、判断依据、项目边界和常见误区。
核心关键词噪声标签 微调 影响 收敛路径 错误标签比例 - 0018
为何在微调实验中设置随机种子至关重要？请说明其对结果可复现性的具体影响。
为何在微调实验中设置随机种子至关重要？请说明其对结果可复现性的具体影响。 本文先给出可直接复述的结论，再用最小代码说明随机种子 微调 可复现性 结果一致性的工作方式、判断依据、项目边界和常见误区。
核心关键词随机种子 微调 可复现性 结果一致性 - 0019
当部署多个不同任务的 LoRA 适配器时，如何确保它们能正确组合而不冲突？
当部署多个不同任务的 LoRA 适配器时，如何确保它们能正确组合而不冲突？ 本文先给出可直接复述的结论，再用最小代码说明LoRA 适配器 组合 冲突 任务切换的工作方式、判断依据、项目边界和常见误区。
核心关键词LoRA 适配器 组合 冲突 任务切换 - 0020
LoRA 微调中，若显存受限，应如何根据模型规模选择适配器秩（rank）？请说明权衡依据。
LoRA 微调中，若显存受限，应如何根据模型规模选择适配器秩（rank）？请说明权衡依据。 本文先给出可直接复述的结论，再用最小代码说明LoRA 秩选择 显存限制 模型规模 适配器维度的工作方式、判断依据、项目边界和常见误区。
核心关键词LoRA 秩选择 显存限制 模型规模 适配器维度 - 0021
在多卡环境下使用 LoRA 微调时，如何正确配置分布式训练以避免梯度同步异常？
在多卡环境下使用 LoRA 微调时，如何正确配置分布式训练以避免梯度同步异常？ 本文先给出可直接复述的结论，再用最小代码说明LoRA 微调 多卡 分布式训练 梯度同步的工作方式、判断依据、项目边界和常见误区。
核心关键词LoRA 微调 多卡 分布式训练 梯度同步 - 0022
在使用外部知识库微调模型时，为何不能简单地将知识拼接进训练数据？
在使用外部知识库微调模型时，为何不能简单地将知识拼接进训练数据？ 本文先给出可直接复述的结论，再用最小代码说明LoRA 微调 外部知识库 拼接数据 问题原因的工作方式、判断依据、项目边界和常见误区。
核心关键词LoRA 微调 外部知识库 拼接数据 问题原因 - 0023
在使用混合精度训练时，为何 LoRA 微调对数值稳定性要求更高？请解释其影响机制。
在使用混合精度训练时，为何 LoRA 微调对数值稳定性要求更高？请解释其影响机制。 本文先给出可直接复述的结论，再用最小代码说明LoRA 微调 混合精度 数值稳定性 影响机制的工作方式、判断依据、项目边界和常见误区。
核心关键词LoRA 微调 混合精度 数值稳定性 影响机制 - 0024
在仅有 500 条标注数据的微调任务中，如何通过监控损失曲线和验证集表现识别过拟合？
在仅有 500 条标注数据的微调任务中，如何通过监控损失曲线和验证集表现识别过拟合？ 本文先给出可直接复述的结论，再用最小代码说明过拟合 500条数据 小样本 监控损失 验证集表现的工作方式、判断依据、项目边界和常见误区。
核心关键词过拟合 500条数据 小样本 监控损失 验证集表现 - 0025
在量化后的模型上进行微调时，为何需要调整学习率并启用梯度冻结？
在量化后的模型上进行微调时，为何需要调整学习率并启用梯度冻结？ 本文先给出可直接复述的结论，再用最小代码说明量化模型 微调 学习率调整 梯度冻结的工作方式、判断依据、项目边界和常见误区。
核心关键词量化模型 微调 学习率调整 梯度冻结 - 0026
当训练数据量有限时，如何通过数据质量提升（如去重、过滤噪声）来弥补数量不足？请给出具体策略。
当训练数据量有限时，如何通过数据质量提升（如去重、过滤噪声）来弥补数量不足？请给出具体策略。 本文先给出可直接复述的结论，再用最小代码说明训练数据 质量数量权衡 去重 过滤噪声 补偿策略的工作方式、判断依据、项目边界和常见误区。
核心关键词训练数据 质量数量权衡 去重 过滤噪声 补偿策略 - 0027
在某些应用中为何要同时使用微调和检索？请从知识覆盖与灵活性角度说明。
在某些应用中为何要同时使用微调和检索？请从知识覆盖与灵活性角度说明。 本文先给出可直接复述的结论，再用最小代码说明微调与检索 同时使用 知识覆盖 灵活性的工作方式、判断依据、项目边界和常见误区。
核心关键词微调与检索 同时使用 知识覆盖 灵活性 - 0028
为何应在量化之前先完成微调？请从参数稳定性和量化误差角度解释。
为何应在量化之前先完成微调？请从参数稳定性和量化误差角度解释。 本文先给出可直接复述的结论，再用最小代码说明微调 量化顺序 参数稳定性 量化误差影响的工作方式、判断依据、项目边界和常见误区。
核心关键词微调 量化顺序 参数稳定性 量化误差影响 - 0029
LoRA 为何在小样本微调中表现优于全量微调？请从参数更新效率角度解释。
LoRA 为何在小样本微调中表现优于全量微调？请从参数更新效率角度解释。 本文先给出可直接复述的结论，再用最小代码说明LoRA 小样本 微调 效率 参数更新 优势原因的工作方式、判断依据、项目边界和常见误区。
核心关键词LoRA 小样本 微调 效率 参数更新 优势原因 - 0030
为何对小型模型（如 DistilBERT）进行全量微调通常不推荐？请从计算成本与收益角度分析。
为何对小型模型（如 DistilBERT）进行全量微调通常不推荐？请从计算成本与收益角度分析。 本文先给出可直接复述的结论，再用最小代码说明全量微调 小型模型 代价 不推荐 算力收益比的工作方式、判断依据、项目边界和常见误区。
核心关键词全量微调 小型模型 代价 不推荐 算力收益比 - 0031
为何在微调时保留原始模型权重作为基础，而不是从头训练？请从迁移学习角度解释。
为何在微调时保留原始模型权重作为基础，而不是从头训练？请从迁移学习角度解释。 本文先给出可直接复述的结论，再用最小代码说明微调 保留原始权重 迁移学习 优势的工作方式、判断依据、项目边界和常见误区。
核心关键词微调 保留原始权重 迁移学习 优势