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。
本题解释灾难性遗忘源于梯度下降对共享权重的覆盖：新任务更新会改变旧任务关键参数的取值，且无独立备份。通过参数更新机制与示例场景说明遗忘为何发生，并指出与回放等缓解策略无关。
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
微调与数据专题面试题，31 道完整答案
微调与数据专题面试题第 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
技术分类52 个
全部分类5000AI Agent511浏览器301JavaScript285React281AI 开发262CSS240Node.js217TypeScript206Vue180前端工程化138React Native135
查看全部 52 个分类
热门标签178 个
查看其余 163 个标签
网络协议111测试109数据库事务95实时通信92Web 可访问性90动画79可观测性77Agent 记忆75向量检索66工具调用66LangGraph59Prompt56任务规划53排障与运维53数据库索引52浏览器自动化51Flexbox50值与类型50GraphQL49事务与并发49构建与镜像49DNS 与 TLS48工程协作与交付48AI 评测47CSS Grid47Express 服务47MCP47副作用与同步47向量与嵌入47文件与多媒体47流与二进制47传输与协议46列表与性能46可维护代码46响应式原理46容器运行46指标日志追踪46数据建模与运维46文件与 I/O46表单与输入46MCP 协议45RAG45Vite 与模块构建45Webpack45内存与虚拟化45原生集成45多 Agent45工作负载与发布45应用与性能45数据处理45模块与工具链45组件与模板45缓存与数据结构45网络与运维45评估与调试45身份认证与授权45运行时与开发45Web 系统方案44一致性与容错44侦听与生命周期44分布式使用44原生组件与交互44可访问交互44消息与异步处理44渲染与调度44索引与执行计划44组件设计44缓存与代理44进程与并发44层叠与选择器43攻击面与防御43文档数据库43权限与安全43离线与渐进增强43语义与文档43请求与通信 API43Worker 与线程协作42事件系统42存储与离线数据42服务架构42服务端与流式渲染42服务端工程42泛型设计42版本控制42类型收窄42类型运算42组件与端到端42编码与执行42进程与线程42DOM 与文档操作41Flex 布局41HTTP 语义41NestJS 架构41REST 与接口契约41SQL 查询41加载与交互性能41动画与视觉41类型工程41记忆与状态41运行时与调度41Agent 架构40WebAssembly 集成40单元与集成测试40多 Agent 协作40工作流编排40模块与语言机制40浏览器与 UI 自动化40生产运行40函数与作用域39响应式设计39性能与并发39类型系统基础39Grid 布局38数组与集合38盒模型与排版38Hooks 与复用37应用开发37推理与成本37状态共享37知识库数据37模型与应用评测36对象与原型35状态与渲染35语言与并发35异步与 Promise34Effect32RAG 检索31React 性能31响应式与性能31TanStack Query30全栈边界30数据与缓存30大模型基础29路由与数据流29事件循环28流式交互28提示与上下文设计27数据与服务端27组件与依赖注入27组件与响应式27多模态应用24应用与渲染24Hydration22沙箱安全22状态管理18算法18CI/CD13语言与运行时10React Server Components6搜索与排序4实用函数实现3链表栈队列3图算法2字符串算法2树与遍历2索引与高级结构2Kubernetes1作用域与函数1动态规划1异步与浏览器1手写与交互性能1数组与双指针1相等比较1
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？
围绕“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”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要说明定期回放旧数据或使用缓冲池。
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？
围绕“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”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确回译、同义替换、噪声注入等策略的应用逻辑。
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。
本文解释微调中标签不平衡的采样策略，包括过采样、欠采样与加权损失的设计逻辑，并通过具体场景与边界分析提供可操作判断。
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？
围绕“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”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要说明以验证集表现为准的停止条件。
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？
围绕“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”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要说明在目标设备或相近规格的仿真器上运行推理测试。
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。
本题说明评估集分布偏差如何造成模型性能误判，并以客服意图识别为例展示分层采样与对抗样本的作用，同时指出过度多样化的边界。
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？
围绕“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”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要说明包含多段落、长依赖关系的测试样例。
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。
围绕“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”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖判断时要说明微调在固定上下文长度下的确定性响应优势。
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？
围绕“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”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖必须指出领域数据不足导致语义空间未充分覆盖专业术语。
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？
围绕“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”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要说明使用中性语料并加入偏见惩罚项。
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？
围绕“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”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖必须列出梯度检查点、混合精度、LoRA 等关键技术组合。
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。
围绕“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”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要说明微调本身不改变模型大小，但若引入额外层或修改结构则可能影响延迟。
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。
围绕“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”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖必须指出微调改变了原模型的内部表示分布，导致相同输入输出波动增大。
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。
围绕“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”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖必须指出微调改变了输出分布的熵，从而影响温度调节效果。
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。
围绕“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”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖必须指出微调可能覆盖原嵌入表，导致 OOV 词映射失效。
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。
围绕“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”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要解释模型可能学习到错误模式并陷入局部最优。
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。
围绕“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”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要解释初始化、数据打乱和优化器状态受种子控制。
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？
围绕“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”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要说明适配器权重在前向传播中线性叠加的机制。
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。
围绕“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”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要解释秩与参数量及梯度更新效率的关系。
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？
围绕“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”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要说明仅同步 LoRA 适配器参数。
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？
围绕“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”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖必须指出知识冗余和上下文混淆会导致模型无法区分事实来源。
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。
围绕“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”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖必须指出低精度下适配器梯度易溢出或消失的问题。
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？
围绕“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”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖回答需要围绕必须描述训练损失下降而验证损失上升的典型模式。
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？
围绕“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”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要解释量化引入的离散误差对梯度传播的干扰。
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。
本文讲解小样本场景下通过去重和噪声过滤提升模型性能的机制，给出具体清洗策略和适用边界，帮助评估数据清洗的收益上限。
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。
围绕“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”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖必须指出微调提供个性化风格，检索补充实时知识。
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。
围绕“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”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖必须指出量化前的微调使参数收敛到更稳定的值，减少量化带来的精度损失。
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。
围绕“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”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要说明仅更新低秩矩阵减少参数更新量，避免过拟合。
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。
围绕“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”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖必须指出小模型参数少，全微调无显著收益且易过拟合。
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。
围绕“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”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要说明原始模型已学习通用语言特征，可加速收敛并提升小样本表现。
核心关键词微调 保留原始权重 迁移学习 优势