LLM——10个大型语言模型(LLM)常见面试题以及答案解析

今天我们来总结以下大型语言模型面试中常问的问题

1、哪种技术有助于减轻基于提示的学习中的偏见?

A.微调 Fine-tuning

B.数据增强 Data augmentation

C.提示校准 Prompt calibration

D.梯度裁剪 Gradient clipping

答案:C

提示校准包括调整提示，尽量减少产生的输出中的偏差。微调修改模型本身，而数据增强扩展训练数据。梯度裁剪防止在训练期间爆炸梯度。

2、是否需要为所有基于文本的 LLM用例提供矢量存储?

答案：不需要

向量存储用于存储单词或句子的向量表示。这些向量表示捕获单词或句子的语义，并用于各种NLP任务。

并非所有基于文本的LLM用例都需要矢量存储。有些任务，如情感分析和翻译，不需要RAG也就不需要矢量存储。

最常见的不需要矢量存储的：

1、情感分析：这项任务包括确定一段文本中表达的情感(积极、消极、中性)。它通常基于文本本身而不需要额外的上下文。

2、这项任务包括将文本从一种语言翻译成另一种语言。上下文通常由句子本身和它所属的更广泛的文档提供，而不是单独的向量存储。

3、以下哪一项不是专门用于将大型 语言模型(llm)与人类价值观和偏好对齐的技术?

A.RLHF

B.Direct Preference Optimization

C.Data Augmentation

答案:C

数据增强Data Augmentation是一种通用的机器学习技术，它涉及使用现有数据的变化或修改来扩展训练数据。虽然它可以通过影响模型的学习模式间接影响LLM一致性，但它并不是专门为人类价值一致性而设计的。

A)从人类反馈中强化学习(RLHF)是一种技术，其中人类反馈用于改进LLM的奖励函数，引导其产生与人类偏好一致的输出。

B)直接偏好优化(DPO)是另一种基于人类偏好直接比较不同LLM输出以指导学习过程的技术。

4、在RLHF中，如何描述“reward hacking”?

A.优化所期望的行为

B.利用奖励函数漏洞

答案：B

reward hacking是指在RLHF中，agent发现奖励函数中存在意想不到的漏洞或偏差，从而在没有实际遵循预期行为的情况下获得高奖励的情况，也就是说，在奖励函数设计不有漏洞的情况下才会出现reward hacking的问题。

虽然优化期望行为是RLHF的预期结果，但它并不代表reward hacking。选项A描述了一个成功的训练过程。在reward hacking中，代理偏离期望的行为，找到一种意想不到的方式（或者漏洞）来最大化奖励。

5、对任务的模型进行微调(创造性写作)，哪个因素显著影响模型适应目标任务的能力?

A.微调数据集的大小

B.预训练的模型架构和大小

答案:B

预训练模型的体系结构作为微调的基础。像大型模型(例如GPT-3)中使用的复杂而通用的架构允许更大程度地适应不同的任务。微调数据集的大小发挥了作用，但它是次要的。一个架构良好的预训练模型可以从相对较小的数据集中学习，并有效地推广到目标任务。

虽然微调数据集的大小可以提高性能，但它并不是最关键的因素。即使是庞大的数据集也无法弥补预训练模型架构的局限性。设计良好的预训练模型可以从较小的数据集中提取相关模式，并且优于具有较大数据集的不太复杂的模型。

6、transformer 结构中的自注意力机制在模型主要起到了什么作用?

A.衡量单词的重要性

B.预测下一个单词

C.自动总结

答案:A

transformer 的自注意力机制会对句子中单词的相对重要性进行总结。根据当前正在处理的单词动态调整关注点。相似度得分高的单词贡献更显著，这样会对单词重要性和句子结构的理解更丰富。这为各种严重依赖上下文感知分析的NLP任务提供了支持。

7、在大型 语言模型(llm)中使用子词算法(如BPE或WordPiece)的优点是什么?

A.限制词汇量

B.减少训练数据量

C.提高计算效率

答案:A

llm处理大量的文本，如果考虑每一个单词，就会导致一个非常大的词表。像字节对编码(BPE)和WordPiece这样的子词算法将单词分解成更小的有意义的单位(子词)，然后用作词汇表。这大大减少了词汇量，同时仍然捕获了大多数单词的含义，使模型更有效地训练和使用。

子词算法不直接减少训练数据量。数据大小保持不变。虽然限制词汇表大小可以提高计算效率，但这并不是子词算法的主要目的。它们的主要优点在于用较小的单位集有效地表示较大的词汇表。

8、与Softmax相比，Adaptive Softmax如何提高大型 语言模型的速度?

A.稀疏单词表示

B.Zipf定律

C.预训练嵌入

答案:B

标准Softmax需要对每个单词进行昂贵的计算，Softmax为词表中的每个单词进行大量矩阵计算，导致数十亿次操作，而Adaptive Softmax利用Zipf定律(常用词频繁，罕见词不频繁)按频率对单词进行分组。经常出现的单词在较小的组中得到精确的计算，而罕见的单词被分组在一起以获得更有效的计算。这大大降低了训练大型语言模型的成本。