面试题库

全部 Django Elasticsearch FastAPI Flask Function Call JVM Java IO Java 后端 Java 基础 Java 并发 Java 新特性 Java 集合 JavaWeb Kafka LLM LangChain LangGraph MongoDB MyBatis MySQL Netty Nginx Python RAG RabbitMQ Redis RocketMQ Spring Spring AI SpringBoot SpringCloud SpringMVC ZooKeeper 分布式 后端技术 大厂面经 大数据 微服务 提示词工程 操作系统 数据库 数据结构 智能体 海康威视2026秋季社招专项 消息队列 监控运维 算法 系统设计 缓存 计算机基础 计算机网络 设计模式 面试题 高可用 高并发
LLM 中等

模型校准（calibration）与置信度是什么？为什么大模型常过度自信？

作答 →
LLM 困难

如何构建内部领域评测集并避免「刷榜过拟合」？

作答 →
LLM 中等

多语言与中文评测面临哪些挑战？

作答 →
LLM 中等

指令遵循能力如何评测？为什么格式遵循是重要的评测维度？

作答 →
LLM 困难

长上下文评测中的「大海捞针」（needle in a haystack）测的是什么？它有何局限？

作答 →
LLM 困难

代码生成中的 pass@k 指标如何计算？为什么需要采样 k 个候选？

作答 →
LLM 困难

评测基准污染（data contamination）是什么？如何检测与缓解？

作答 →
LLM 中等

BLEU 与 ROUGE 等 n-gram 指标为什么不适合直接衡量大模型生成质量？

作答 →
LLM 困难

LLM-as-judge 存在哪些偏差？如何设计更可靠的裁判流程？

作答 →
LLM 中等

自动评测、人工评测与 LLM-as-judge 三者有什么区别？各自适合什么场景？

作答 →
LLM 中等

常见大模型评测集如何分类？知识、推理、代码、事实性各有哪些代表基准？

作答 →
LLM 中等

困惑度 PPL 有哪些局限？为什么它不能替代下游任务指标？

作答 →