是时候准备实习和面试了。

不同以往的是，当前职场已不再是那个双向奔赴时代了。求职者在变多，HC 在变少，岗位要求还更高了。

最近，我们又陆续整理了很多大厂的面试题，帮助一些球友解惑答疑，分享技术面试中的那些弯弯绕绕。

总结链接如下：

《大模型面试宝典》(2025版) 正式发布！

喜欢本文记得收藏、关注、点赞。更多实战和面试交流，加入我们

---

01

主流开源模型体系

目前主流的开源大语言模型体系大致分为三类：

Prefix Decoder 系：

• 输入端：双向注意力（类似 Encoder）

• 输出端：单向注意力（类似 Decoder）

• 代表模型：ChatGLM、ChatGLM2、U-PaLM

• 特点：prefix 部分 token 互相可见，属于 Encoder-Decoder 折中方案

• 缺点：训练效率低

Causal Decoder 系：

• 注意力：严格自回归单向注意力，即从左到右

• 代表模型：LLaMA 系列及衍生物

• 特点：预训练和下游任务完全一致，zero-shot 表现最好

• 优点：训练效率高、zero-shot 能力强，具备涌现能力

• 缺点：输入语义理解能力相对不足

Encoder-Decoder 系：

• 输入端：双向注意力（更充分的语义理解）

• 输出端：单向注意力（生成时遵循因果性）

• 代表模型：T5、Flan-T5、BART

• 特点：在理解类任务表现好

• 缺点：长文本生成表现差，训练效率低

02

Attention Mask 的区别

设输入序列长度为 n，attention mask 矩阵 M ∈ ℝⁿˣⁿ：

（1）Encoder（双向注意力）

所有 token 都能互相看到，语义理解。

（2）Causal Decoder（单向注意力）

当前位置只能看到自身与之前的 token，因果律。

（3）Prefix Decoder（折中）

03

大模型训练目标

（1）最大似然估计（MLE）

根据已出现的 token，预测下一个 token（作文）：

如下：

• Causal Decoder：在所有 token 上计算损失

• Prefix Decoder：仅在输出部分计算损失

（2）去噪自编码器（Denoising Autoencoder）

随机替换/打乱文本段，让模型恢复原始文本（完形）：

如下：

• 其中 x̃ 表示被随机破坏的输入

• 代表模型：T5、GLM-130B

• 难点：实现更复杂，训练效率更低

04

涌现能力的原因（猜测）

复杂任务由多个子任务组成，子任务性能随模型规模平滑提升，但整体任务指标可能出现“跳变”，表现为涌现能力。

模型容量与表示能力的非线性增强，随着参数量增加，模型可能跨越某种“能力门槛”。

比如我们假设某个任务 T 有 5 个子任务 Sub-T 构成，每个 sub-T 随着模型增长，指标从 40% 提升到 60%，但是最终任务的指标只从 1.1% 提升到了 7%，也就是说宏观上看到了涌现现象，但是子任务效果其实是平滑增长的。

05

为何大多数 LLM 采用 Decoder-only 结构？

原因如下：

• Zero-shot 能力强：无需大量标注数据，也能在自监督学习下发挥最好性能。

• 训练效率高：与下游推理完全一致，工程更简洁。

• 理论上更优：Encoder 的双向注意力在生成任务中可能引入低秩问题，削弱表达能力。

• 参数利用效率：同等参数量下，Encoder-Decoder 结构分摊了参数；Decoder-only 全部用于生成，更高效。

06

Layer normalization

（1）Layer Norm

如下：

• μ：特征的均值

• σ：标准差，归一化的缩放因子

• γ：可训练的缩放参数

• β：可训练的偏移参数

• ε：防止除零的小常数

Layer Norm 会对输入的每个 token 向量 按维度标准化，使其均值为 0、方差为 1，然后再通过 γ，β 学习恢复合适的分布。

（2）RMS Norm

RMSNorm 移除了均值项，只保留均方根 (Root Mean Square)：

如下：

• 无 β 偏移项

• 只保留缩放参数 γ

• 计算更快，对训练稳定性也有帮助

RMS Norm 只控制输入的 尺度（scale），不调整均值，因此更轻量，常用于大型模型（如 GPT-3 变体、PaLM）。

RMS Norm 简化了 Layer Norm ，去除掉计算均值进行平移的部分。对比 LN，RMS Norm 的计算速度更快。效果基本相当，甚至略有提升。

（3）Deep Norm

Deep Norm 主要是为了解决训练非常深的 Transformer 时梯度不稳定的问题（比如 100+ 层）：

• 执行 Layer Norm 之前，up-scale 了残差连接（alpha>1）；

• 初始化阶段 down-scale 了模型参数（beta<1）

残差形式：

其中 α = 1/√(2N)，N 为层数。在层与层之间的残差路径上控制信息流强度。这样可以避免残差累加过大导致梯度爆炸。

import torch.nn as nn
def deepnorm_init(w):
    if any(name in w.name for name in ['ffn', 'v_proj', 'out_proj']):
        nn.init.xavier_normal_(w, gain=math.sqrt(2.0))
    elif any(name in w.name for name in ['q_proj', 'k_proj']):
        nn.init.xavier_normal_(w, gain=1.0)

LN 在 LLMs 中的不同位置区别？

Post-LN：

• 位置：layer norm 在残差链接之后

• 缺点：Post-LN 在深层的梯度范式逐渐增大，导致使用 post-LN 的深层 transformer 容易出现训练不稳定的问题

• 输出质量高，深层训练难

Pre-LN：

• 位置：layer norm 在残差链接中

• 优点：相比于 Post-LN，Pre-LN 在深层的梯度范式近似相等，所以使用 Pre-LN 的深层 transformer 训练更稳定，可以缓解训练不稳定问题

• 缺点：相比于 Post-LN，Pre-LN 的模型效果略差

• 深层稳定，略牺牲输出质量

Sandwich-LN：

• 位置：在 pre-LN 的基础上，额外插入了一个 layer norm

• 优点：Cogview 用来避免值爆炸的问题

• 缺点：训练不稳定，可能会导致训练崩溃。

• 极深防爆，普通训练易崩

LLMs 各模型分别用了哪种 Layer normalization？

07

LLMs 激活函数

FFN（前馈层）基本计算公式：

如下：

• 输入：向量 x ∈ ℝᵈ

• 权重：

• W₁ ∈ ℝᵈˣᵈᶠᶠ

• W₂ ∈ ℝᵈᶠᶠˣᵈ

• 偏置：b₁, b₂

• 激活函数：f(·) 可以是 ReLU / GeLU / Swish 等

• 中间维度：dᶠᶠ = 4d（通常 Transformer 默认 4 倍扩展）

FFN 是在每个 token 上独立应用的两层 MLP。先升维（扩展到更高维度空间），再激活，再降维回去。

GeLU 激活函数：

如下：

• 特点：平滑版本的 ReLU，不是硬性截断，而是概率化地保留输入。

• 效果：对小值衰减，对大值接近线性。让模型既保留微弱信号，又对强信号线性响应，从而提高表达力和训练稳定性。

• 应用：BERT、GPT 系列广泛采用 GeLU。

Swish 激活函数：

如下：

• 特点：平滑、非单调激活函数，比 ReLU/GeLU 更灵活。

• 效果：根据输入大小平滑放大或抑制信号，使信息流更灵活且梯度传播更稳定。

• 特殊情况：当 β=1 时就是常见的 Swish。

• 应用：在 EfficientNet、部分 LLM 变种中使用。

GLU（门控线性单元）：

如下：

• ⊗ 表示逐元素乘法

• W, V ∈ ℝᵈˣᵈᶠᶠ

• 输出由“值部分”和“门控部分”组合而成。

用 GLU 替换 FFN 的写法：

引入门控机制可以选择性地传递信息，类似 LSTM 的思想。允许重要信息通过，提高表达能力同时控制计算冗余。

GeLU-GLU 变体：

如下：

• 值路径：xW 经过 GeLU 激活

• 门路径：xV 直接作为调制因子

• 应用：T5（Google 的大规模预训练模型）采用 GeGLU。

• 把平滑激活和门控结合，在 FFN 中既筛选重要特征，又可调节信息流，让模型表达力增强且训练稳定。

Swish-GLU 变体：

如下：

• 值路径：xW 经过 Swish 激活

• 门路径：xV 直接作为调制因子

• 应用：PaLM（Google 超大规模 LLM）采用 SwiGLU。

• 将柔性调节（Swish）与门控结合，使 FFN 在保留细微信号的同时有选择性地传递信息，优化梯度流和训练稳定性，尤其适合超大模型。

参数量比较：

• 标准 FFN：2 个权重矩阵（W₁, W₂），中间维度通常是 4d。

• GLU 变体：需要 3 个权重矩阵（W, V, W₂），为了控制参数量，中间维度通常改为 (2/3) · 4d = 8/3 d。这样总体参数和计算量与标准 FFN 大致持平。

LLMs 中常用的激活函数选择：

08

Attention

传统 Attention 存在哪些问题？

• 传统 Attention 存在 上下文长度 约束问题；

• 传统 Attention 速度慢，内存占用大；

Attention 优化方向：

• 提升上下文长度

• 加速、减少内存占用

Attention 变体有哪些？

• 稀疏 attention。将稀疏偏差引入 attention 机制可以降低了复杂性；

• 线性化 attention。解开 attention 矩阵与内核特征图，然后以相反的顺序计算 attention 以实现线性复杂度；

• 原型和内存压缩。这类方法减少了查询或键值记忆对的数量，以减少注意力矩阵的大小；

• 低阶 self-Attention。这一系列工作捕获了 self-Attention 的低阶属性；

• Attention 与先验。该研究探索了用先验 attention 分布来补充或替代标准 attention；

• 改进多头机制。该系列研究探索了不同的替代多头机制。

Multi-head Attention 存在什么问题？

• 训练：不会显著影响训练过程，训练速度不变，会引起非常细微的模型效果损失；

• 推理：反复加载 KV cache , 导致内存开销大，性能是内存受限；

介绍 Multi-Query Attention？

Multi-Query Attention 在所有注意力头上共享 key 和 value。

对比 Multi-head Attention 和 Multi-Query Attention？

• Multi-head Attention：每个注意力头都有各自的 query、key 和 value。

• Multi-query Attention：在所有的注意力头上共享 key 和 value。

PaLM：直接使用 Multi-query Attention，保持 hidden size 和 FFN 结构 不变。

Falcon：为了保持总参数量一致，将隐藏维度从 4096 增大到 4544，多余参数分配给 Attention 和 FFN。

ChatGLM2-6B：采用 MQA / GQA 混合策略，将 FFN 中间维度从 11008 增加到 13696，多余参数分配给 FFN。

Multi-Query Attention 这样做的好处是什么？

减少 KV cache 的大小，减少显存占用，提升推理速度。

有哪些模型是使用 Multi-Query Attention？

代表模型：PaLM、ChatGLM2、Falcon 等

什么是 Grouped-query Attention？

介于 multi head 和 multi query 之间，多个 key 和 value。

有哪些大模型使用 Grouped-query Attention？

ChatGLM2，LLaMA2-34B/70B 使用了 Grouped query attention。

FlashAttention：

• 核心：用分块 softmax 等价替代传统 softmax

• 优点：节约 HBM，高效利用 SRAM，省显存，提速度

• 代表模型：Meta 推出的开源大模型 LLaMA，阿联酋推出的开源大模型 Falcon 都使用了 Flash Attention 来加速计算和节省显存

• 关键词：HBM、SRAM、分块 Softmax、重计算、Kernel 融合。

并行 transformer block：

• 用并行公式替换了串行，提升了 15%的训练速度。

• 在 8B 参数量规模，会有轻微的模型效果损失;在 62B 参数量规模，就不会损失模型效果。

• Falcon、PaLM 都使用了该技术来加速训练