Top AI Repos — open-source AI, indexed and scored
Top AI Repos tracks AI repositories on GitHub and answers two different questions about each one: is it moving right now, and would you bet a product on it.
Top AI Repos tracks AI repositories on GitHub and answers two different questions about each one: is it moving right now, and would you bet a product on it.
AIGC-interview/CV-interview/LLMs-interview面试问题与答案集合仓，同时包含工作和科研过程中的新想法、新问题、新资源与新项目
| Date | Stars |
|---|---|
| 2026-07-24 | 2868 |
| 2026-07-25 | 2869 |
| 2026-07-28 | 2869 |
| 2026-07-30 | 2869 |
| 2026-07-31 | 2872 |
| 2026-08-06 | 2872 |
Today
— stars today
This week
+3 stars this week
This month
— stars this month
Momentum
0.0
growth rate 0.10%/day
# **DeepLearning-Interview-Awesome-2024**  [](./LICENSE.md)  本项目涵盖了**大模型(LLMs)专题**、**计算机视觉与感知算法专题**、**深度学习基础与框架专题**、**自动驾驶、智慧医疗等行业垂域专题**、**手撕项目代码专题**、**优异开源资源推荐专题**共计6大专题模块。我们将持续整理汇总最新的面试题并详细解析这些题目，除面向面试的场景外我们的题目还来源于对最新学术论文创新点的思考，希望能成为大家学术科研、工作创新、offer面试路上一份有效的辅助资料。 ### 项目简介 2025年算法面试题目继续更新，具体请 follow [2024年深度学习算法与大模型面试指南](https://github.com/315386775/DeepLearing-Interview-Awesome-2024)，喜欢本项目的请右上角点个star，同时也欢迎大家一起共创该项目。 该项目持续更新： - 本文录入题目的原则：**高新深**，其中高是指-各大厂公司近年高频算法面试题，新是指-题目要新紧跟学术和工业界的发展，比如录入了大量大模型领域的面试题，深是指-题目要有一定的内容与深度，可以引人思考，比如面向业务场景改进的面试题，来源于论文创新点的思考； - 目前录入列表的题目，存在部分没有答案解析的题目，或者解析内容不全的题目，我们会尽快补上所有解析； - 目前录入列表的顺序，没有先后、频次、难度、细类别等维度信息，后续会再给予更多维度更详细的分类； ### 打造高质量社群 - 欢迎关注微信公众号：***码科智能***，来源于Mark.AI的谐音梗，每日更新多模态大模型相关开源项目/代码解析/案例教程等内容； - **金三银四校招社招群**：扫码添加作者微信，避雷校招常见问题，分享最新有价值的学术论文，分享交流面试情况，协助内推； - **AI大模型工具分享群**：扫码添加作者微信，分享各方向的开源项目，分享各AI工具使用教程。 <!-- <img src="assert/markai.png" alt="Alt" style="display: block; margin: 0 auto; height: 190px;"> -->  ### 六大专题及题目列表 <b><summary>🏆大模型(LLMs)专题</summary></b> - 大语言模型 | [**01. 模型微调：大模型常用微调方法LORA和Ptuning的原理，与传统fine-tuning微调有何不同?**](LLMs/Reference.md) | | :------------------------------------------- | | [**30. 模型微调：Instruction Tuning与Prompt tuning方法的区别？**](LLMs/Reference.md) | | [**07. 模型微调：监督微调SFT后LLM表现下降的原因**](LLMs/Reference.md) | | [**18. 模型微调：大模型微调的LORA怎么训练？**](LLMs/Reference.md) | | [**19. 模型微调：LORA的矩阵怎么初始化？为什么要初始化为全0？**](LLMs/Reference.md) | | [**33. 模型微调：进行SFT操作的时候，基座模型选用Chat还是Base?**](LLMs/Reference.md) | | [**03. 模型结构：为何现在的大模型大部分是Decoder only结构**](LLMs/Reference.md) | | [**15. 模型结构：你能否概括介绍一下 ChatGPT 的训练过程？**](LLMs/Reference.md) | | [**16. 模型结构：在大型语言模型 (llms) 上下文中的标记是什么？**](LLMs/Reference.md) | | [**40. 模型结构：GPT3、LLAMA的Layer Normalization 的区别是什么？**](LLMs/Reference.md) | | [**04. 模型优化：如何缓解 LLMs 复读机问题**](LLMs/Reference.md) | | [**14. 模型优化：在大型语言模型 (llms) 中减少幻觉的策略有哪些？**](LLMs/Reference.md) | | [**29. 模型优化：如何提升大语言模型的Prompt泛化性？**](LLMs/Reference.md) | | [**34. 模型优化：开源大模型进行预训练的过程中会加入书籍、论文等数据，这部分数据如何组织与处理?**](LLMs/Reference.md) | | [**38. 模型优化：如何解决chatglm微调的灾难性遗忘问题？**](LLMs/Reference.md) | | [**10. BERT用于分类任务的优点，后续改进工作有哪些？**](LLMs/Reference.md) | | [**23. BERT的预训练任务有什么？为什么引入下一个句子预测任务？**](LLMs/Reference.md) | | [**37. BERT的预训练过程中是否使用了位置编码和注意力机制？**](LLMs/Reference.md) | | [**38. LangChain 通常被用作「粘合剂」，将构建 LLM 应用所需的各个模块连接在一起，请介绍下其核心模块？**](LLMs/Reference.md) | | [**39. 模型优化：为了提升Llama 3 的推理效率，模型结构采用分组查询注意 (GQA)，简述该模块？**](LLMs/Reference.md) | | [**40. 模型架构：llama2中使用的注意力机制是什么？**](LLMs/Reference.md) | | [**41. 模型架构：在预训练阶段，几种主流大模型的 Loss 了解过吗? 有哪些异同？**](LLMs/Reference.md) | | [**42. 模型架构：旋转位置编码（RoPE）和ALiBi位置编码分别的特点和应用场景？**](LLMs/Reference.md) | | [**43. 模型架构：Qwen-VL模型的整体网络架构包括哪三个组件？请分别介绍它们的作用和来源？**](LLMs/Reference.md) | | [**44. 模型架构：对于Qwen-VL模型的输入，图像是如何处理的？它们经过视觉编码器和适配器后得到了怎样的特征序列？**](LLMs/Reference.md) | | [**45. 数据准备：微调大语言模型的训练集的格式？如何处理GPT生成的训练数据？**](LLMs/Reference.md) | | [**46. 模型微调：监督微调（SFT）相比于RLHF的局限在哪？如果用RM清洗和制造SFT数据能不能取代rlhf呢？**](LLMs/Reference.md) | | [**47. 数据准备：在处理对话及语料数据时，针对数据去重用了哪些算法，针对语料训练阶段的数据增强做了哪些？**](LLMs/Reference.md) | | [**48. 数据准备：LLaMa3.1的微调进行了几轮，奖励模型的训练数据和SFT的训练数据用了什么？**](LLMs/Reference.md) | | [**49. 模型推理：现有技术范式下，如何缓解大模型出现的广义幻觉和狭义幻觉？**](LLMs/Reference.md) | | [**50. 模型训练：分布式训练框架 DeepSpeed 相较于Pytorch原生的 torchrun 有什么优点？**](LLMs/Reference.md) | | [**51. 模型推理：LLM推理时Prefill阶段多数据并行，属于计算瓶颈，有什么对应的加速方法？**](LLMs/Reference.md) | | [**52. 模型推理：LLM推理时Decode阶段一次迭代一个token，内存耗时更多，有什么对应的加速方法？**](LLMs/Reference.md)
Excerpt of 30,350 characters
Read on GitHub
120
Would you bet a product on this? Bounded 0–100 and slow moving.
matched fp:40a087e04a241441, topic:deep-learning, topic:pytorch
matched fp:40a087e04a241441, topic:self-driving-car
matched fp:40a087e04a241441, topic:interview-questions