大模型面试百问百答

今天分享大模型面试相关知识点，持续更新。

1. RAG技术体系的总体思路

数据预处理->分块（这一步骤很关键，有时候也决定了模型的效果）->文本向量化->query向量化->向量检索->重排->query+检索内容输入LLM->输出

2. 使用外挂知识库主要为了解决什么问题

• 克服遗忘问题

• 提升回答的准确性、权威性、时效性

• 解决通用模型针对一些小众领域没有涉猎的问题

• 提高可控性和可解释性，提高模型的可信度和安全性

3. 如何评价RAG项目效果的好坏

针对检索环节的评估：

• MMR 平均倒排率：查询（或推荐请求）的排名倒数

• Hits Rate 命中率：前k项中，包含正确信息的项的数目占比

• NDCG

针对生成环节的评估：

• 非量化：完整性、正确性、相关性

• 量化：Rouge-L

4. 大模型的幻觉问题、复读机问题是什么

幻觉问题：即生成的内容是无意义的或不忠实于提供的源内容

复读机问题：重复生成某些话

5. 针对问题4，有没有什么解决办法

针对幻觉问题：引入外挂知识库，加入一些纠偏规则，限制输出长度等

针对复读机问题：

• 丰富数据集的多样性，预处理时尽量过滤重复无意义的文本

• 同义词替换等做数据增强

• 温度参数调整

• 后处理与过滤

6. 出现问题4的原因有哪些

针对幻觉问题：幻觉问题主要分为两大类，一类是生成结果与数据源不一致，自相矛盾。另一类是用户问题超出了大模型的认知。针对前者可能是训练数据和源数据不一致、数据没对齐或者编码器理解能力的缺陷和解码器策略错误可能导致幻觉。后者则是用户的问题不在语言模型认知范围内。

针对复读机问题：数据质量不高，存在大量单一、重复文本，文本过长（补充：当你的前面的条件文本过长时，大模型的输出的几个短文本会被原始的很长的条件文本淹没，继续预测下一个token的话，在模型看起来可能条件仍然是差不多的，此时如果使用greedy search，只选择概率最大的一个token，模型极大可能会将前面已经生成的短文本重新预测成概率最大的文本，以此类推，会一直重复下去。）

7. 当前主流的开源大模型是哪个，其架构具体是怎样的？

当前开源影响范围最广，生态建设最好的开源大模型是Meta的LLaMA。其依旧采用Transformers架构，并做了如下改动：

• 为了提高训练稳定性，对每个子层做输入前置归一化，归一化函数为RMSNorm（受GPT-3启发）

• 为了提升性能，SwiGLU激活函数替换ReLU激活函数（受PaLM启发）

• 从绝对位置嵌入，改为旋转嵌入（受GPT-neo启发）

• 使用causal multi-head attention的一个高效实现来减少内存占用和运行时间

8. 有哪几种SFT方法

• 全微调

• Adapter Tuning

• Prefix Tuning

• Prompt Tuning

• P-Tuning v1

• lora

• RLHF

（SFT时，学习率设置为预训练阶段的10%，一般会取得不错的效果）

9. 什么是lora微调

在原始 PLM (Pre-trained Language Model) 旁边增加一个旁路，做一个降维再升维的操作，来模拟所谓的 intrinsic rank。训练的时候固定 PLM 的参数，只训练降维矩阵A与升维矩阵B。而模型的输入输出维度不变，输出时将BA与PLM的参数叠加。用随机高斯分布初始化A ，用0矩阵初始化B，保证训练的开始此旁路矩阵依然是 0 矩阵。

10. RAG的检索阶段，常见的向量检索模型有哪些？

ANN算法

• 乘积向量

• 暴力搜索

• hnswlib

KD树

11. 针对通用的RAG，你觉得还有哪些改进点？

• query侧：做query的纠错、改写，规范化和扩展

• 对向量数据库做层次索引，提高检索效率和精度

• 对LLM模型微调，针对当前垂直领域引入知识库，提升回答的专业性、时效性和正确性

• 对最终输出做后处理，降低输出的不合理case

12. 什么是LangChain

LangChain为大型语言模型提供了一种全新的搭建和集成方式，通过这个强大的框架，我们可以将复杂的技术任务简化，让创意和创新更加易于实现。有点类似于神经网络开发与tensorflow/pytorch之间的关系

13. LangChain的常用模块有哪些？

• document_loaders 文档加载

• text_splitter 文档分块

• embedding.huggingface 向量化

• vectorstores 向量存储

• chain.RetrievalQA 检索问答

14. SFT和RLHF优劣对比

本答案引用自文章(https://zhuanlan.zhihu.com/p/677341520)

15. 详细介绍一下RLHF

留个坑，改天详细歇一歇

16. 大模型训练经常出现一些OOM问题，在现有硬件基础下，有什么性能提升trick

梯度累积

• 混合精度训练

• 减轻模型参数

• 分布式训练

• 减少批量大小

• 增加硬件资源

• 数据处理与加载优化：例如，可以使用数据流水线技术来并行加载和处理数据，减少内存中同时存在的数据量

17. LLaMA模型输入句子理论上可以无限长吗？

不可以

• 受限于计算资源

• 训练阶段长句子会导致梯度消失或者梯度爆炸（因为它依赖前面的词进行最大似然估计作为损失函数，这个最大似然估计化简一下就是连乘的形式，容易造成梯度消失或者梯度爆炸）

• 推理阶段会增加预测错误率

18. 如何让大模型处理更长的文本？

• 分块处理，同时重叠保证连贯性

• 增加模型参数量，复杂化模型架构，提高对更长文本的捕捉与表达能力

19. 大模型推理时，显存中有那几部分数据？

• 模型参数

• 输入数据

• 计算中间结果

• 内存管理策略：某些深度学习框架在推理时采用了一种延迟释放显存的策略，即显存不会立即释放，而是保留一段时间以备后续使用。这种策略可以减少显存的分配和释放频率，提高推理效率，但也会导致显存一直占用的现象。

20. 介绍下ChatGLM

首先要说起它的基座 GLM， GLM 既可以做 Encoder 也可以做 Decoder。

主要通过 两种mask方式来实现：

• [mask]：bert形式，随机mask 文本中的短span

• [gmask]：gpt 形式，mask末尾的长span

在chatglm里面做生成任务时，是用 [gmask]。chaglm2中完全采用 gmask来进行预训练。

在ChatGLM 的内部结构中的变换，从下到上依次是：

• 位置编码：从BERT的训练式位置编码转变为旋转位置编码

• 激活函数：从BERT中的 GeLU 转变为 GLU， 在ChatGLM2 中又变成了SwiGLU

• LayerNormalization：采用的是DeepNorm，是对post-Normalization 的改进，即在残差之后做Normalization。在ChatGLM中，把 layer-normalization 改为 RMSNormalization。

在ChatGLM 2.0 中还添加了一些其他变化：

• FlashAttenion：利用显存和内存来做加速

• Multi-Query Attention：多个头只采用一个 KV对，通过参数共享来降低显存占用

21. 介绍下GLU激活函数和SwiGLU激活函数

GLU 的核心思想是通过门控机制来过滤信息，进而提高网络的表达能力和泛化能力。（门控机制有助于长距离建模）

SwishGLU 的核心思想是将 Swish 和 GLU 结合起来，SwishGLU 实际上只是多乘了一个 g(x)。

22. LLaMA1/2的异同

首先从数据角度，lamma2.0为2.0T， lamma1是1.4T。其次是上下文长度， lamma1是2k，lamma2是4k。

最后从模型架构角度：

从整体上看，二者都遵循自回归 Transformer 的架构，只不过内部的细节有些不同。

• 位置编码：二者都采用了旋转位置编码

• Normalization：二者都采用pre-normalization，只不过1.0中采用原始的 LayerNormalization，2.0中采用的是 RMSNorm

• 激活函数：采用SwiGLU

23. 模型在训练和推理的时候各占用显存的多少？

一般来说，训练占用模型参数量的16倍大小（优化器、梯度、模型本身）；推理占用模型参数量的2倍大小（fp16是一个单位参数大小对应两个字节，int8是一个单位参数大小对应一个字节）。

24. 详细说说Deepspeed的机制

以下内容引用自该篇文章

是一种数据并行的方法，采用的ring all reduce方式。

传统的parameter server是server和client的方式，client通过计算分配给自己的数据，产生梯度，传给server，server做聚合，然后把聚合后的参数再传给client，这个方式的弊端是server容易成为瓶颈，server通信量太大。另外可能一个client失败，会导致其他client等待。

Ring all reduce是一种分布式的方式，各个节点分配通信量。总的通信量和ps没啥变化，但是通信的压力平摊到各个GPU上了，GPU之间的通信可以并行进行。

假如，GPU数量是N，把模型参数分成N份，每个GPU要存放整个参数。每个GPU也要分配训练数据。当一次迭代，N个GPU之间要经过一个scatter和gather操作，reduce-scatter是将不同gpu上对应的参数的gradient相加，一共需要通讯（N-1）次。All-gather 是将合并完整的参数，传到其他gpu上，需要通讯（N-1）次。一次all reduce，单卡通信量为2*sita。

Zero包括3种方案，逐步递进：

zero1：将adam的参数分割成N份，这样一个GPU上只能保存一份adam参数：这对于forward没啥影响，gradient需要进行一次all-reduce，但是只能更新一部分参数，所以W需要进行一次all-gather，通信量为3N*sita，存储为 12*sita/N + 4*sita

zero2: 将adamw，gradient都分割成N份，梯度就不需要all-gather了，只需要scatter了，w需要all-gather，通讯量为2N*sita

zero3: 将参数，adam 和gradient都分割，forward的时候，需要将w all-gather，backfoward时，还需要把w all-gather回来，计算梯度，丢掉不属于自己的w，然后对梯度做reduce scatter，更新w，通讯量为3N*sita。

最后采用采用stage3：用1.5倍的通讯开销，换回近120倍的显存

另外，还有ZeRO-Offload是基于Zero2，将adam和gradient放到内存中，在cpu内起了N个线程计算。其中的一条主线是gradient总是需要scatter的，感觉这个数据并行标志。这里需要注意一点 不管是forward 还是backward，都是需要有完整的w的。另外有了gradient，以及adamW的参数，才能更新W。

25. 什么是混合精度训练

FP64用8个字节共64位，FP32用4个字节共32位，FP16用2个字节共16位。在神经网络模型的训练过程中，通常默认使用单精度（FP32）浮点数据类型来表示网络模型的权重和其他参数。

为什么需要混合精度训练呢？

使用FP16训练神经网络，相比使用FP32有以下优点。

• 内存占用减少：FP16的位宽是FP32的一半，所以权重等参数占用的内存也减少了一半，这样就可以训练更大的网络模型或者使用更多的数据。

• 通讯效率提高：对于分布式训练，特别是大模型训练，通讯的开销是一个性能瓶颈，通讯的位宽减少了一半，就可以加快通讯速度，减少等待时间，提高数据流通效率。

• 计算效率更高：在一些专门的AI加速芯片上，使用FP16的计算性能比FP32更快。

但是使用FP16也会带来一些问题，主要有两个方面：

• 数据溢出和

• 舍入误差

为了利用FP16的优势，提高深度学习训练的效率和性能，同时避免精度溢出和舍入误差的影响，可以采用FP16和FP32的混合精度训练，主要涉及到一下三个重要技术点：

• 权重备份（Weight Backup）

• 损失放大（Loss Scaling）

• 精度累加（Precision Accumulated）

26. 什么是prefix LLM和casual LLM

prefix LM：token可以相互看到，输入双向注意力，输出单向注意力（ChatGLM、ChatGLM2、U-PaLM）

casualLM：严格自回归，从左到右的单向注意力 （LLaMA-7B、LLaMa 衍生物、Qwen）

27. 说一说针对MHA后续的一些计算优化工作

1. KV cache，核心思想：因为transformers是自回归，每一个token的预测包含大量前文的重复冗余计算。优化点是将需要重复利用的中间结果存下来，避免重复计算

2. MQA，核心思想：虽然SRAM的带宽很大，但是容量很小（A100只有大概20M），所以要进一步减少需要缓存的数据。MQA中的多头只有Q是不一样的，K、V完全相同。

3. GQA，核心思想：进一步减少需要缓存的数据大小，K、V分组复制，数据大小介于MQA和MHA之间。

4. FlashAttention，核心思想：将Q、K、V切分为更小的块，从HBM中加载到SRAM，需要计算的时候直接从SARM中读（因为目前transformers的计算效率瓶颈不在于计算速度，而是IO）

FlashAttention涉及到很多计算trick，有空单独开一篇文章来说

28. 说说attention几种常见的计算方式

• self-attention

• din的attention计算在得到权重之后，没有进行softmax归一化操作，而是保留了权重原始的信号强度。原始权重是通过网络最后一层激活函数得到，因此可以利用激活函数的特点，将其值限制在0-1之间，如sigmoid函数，从而使得到的原始权重值可直接用于加权求和，保留了权重的差异性。使用softmax操作虽然可以进行归一化，但同时会弱化了权重之间的差异性，有损用户兴趣的局部聚焦性。