腾讯大模型岗位面试全流程复盘（含真题与思路）

最近很多朋友在问大模型方向的面试怎么准备，我把自己在腾讯面试的经历整理了一下，希望能帮到正在冲刺秋招/春招的同学。整体分三轮：基础八股 → 底层优化 → 场景设计。

一面：基础模型结构 + 常见方法

这一轮重点考察候选人的「模型理解力」。问题大多是围绕大模型训练的基础流程展开：

• LLaMA2 结构：能否完整讲出和 LLaMA1 的差异，比如在训练数据规模、优化策略上的改进。
• 训练范式：为什么现在普遍采用 Pretrain + SFT + RLHF 三阶段，而不是端到端？
• LoRA 原理：低秩分解，为什么能显著节省显存开销。
• 混合精度训练：FP16、BF16、FP8 的优缺点，为什么 FP8 最近被广泛关注。
• 算法题：最小覆盖子串（经典滑动窗口 hard）。

👉 一面整体偏「八股 + 算法」。模型结构和训练方法要答得顺畅，算法题准备常见的经典题型。

二面：底层优化 + 推理效率

二面则更偏「工程与算子优化」，能看出候选人是否具备处理大规模模型的落地能力：

• KV Cache 压缩：常见方法有哪些？
• PagedAttention vs FlashAttention：各自的设计思路和适用场景。
• 并行训练：张量并行 & 流水线并行的实现方式，各自的瓶颈在哪里。
• 大模型训练策略：如果要在 4 卡 80G 上训练 70B，如何设计并行？
• 多轮对话推理优化：如何高效处理长上下文？
• 代码题：手写 Multi-Head Attention 的前向计算。

👉 这一面非常注重「工程 sense」，不只是会背，而是要讲出 trade-off 和优化思路。

三面：综合能力 + 场景设计

三面更偏「综合思维和业务结合」，不单考技术八股，而是考你能不能把技术用在真实场景：

• 灾难性遗忘：如何解决？EWC、LwF、重放机制。
• RAG 理解：常见的检索召回方式，以及 GraphRAG 和传统 RAG 的区别。
• 场景设计题：如果要做金融领域的智能助手，你会如何设计一条完整的 RAG 流水线？（数据清洗 → 向量化 → 检索 → 重排序 → 融合生成）。
• 开放问题：大模型在业务中最大痛点是什么？你会如何优化？（成本、幻觉、延迟、对齐……）
• 代码题：正则匹配（经典 DP）。

👉 这一轮其实是「把八股用在项目里」。技术理解力+业务场景思考，能体现候选人的上限。

总结与备考方向

结合三轮面试，我的感受是：

1. 模型结构与对齐流程：Transformer、LLaMA/Qwen、SFT、RLHF、LoRA 等必备。
2. 推理与训练优化：KV Cache、FlashAttention、并行策略，要能讲实现原理和瓶颈。
3. 应用与场景设计：RAG、多轮对话优化、幻觉治理，能结合业务场景给出方案。

一句话总结：腾讯的大模型面试不是单纯考八股，而是考“理解-实现-落地”三位一体的能力。