---
id: ai.llm-serving.interview
title: 模型侧面试题（了解级）
type: interview
domain: ai
stack: [llm-serving]
tags: [模型路由, vLLM, LoRA, 微调, 面试]
level: intermediate
related: [ai.llm-serving.routing-vllm-lora]
week: [13, 16]
---

# 模型侧面试题（了解级）

## 基础

### 【基础】什么是 OpenAI 兼容接口？有什么好处？

**参考答案**：按 OpenAI Chat Completions 的请求和响应格式提供的接口。很多厂商和 vLLM 等推理框架都支持，业务代码用同一个 SDK，只改 `base_url`、密钥和模型名就能切换，降低厂商绑定。

**追问**：兼容就完全一样吗？→ 不是，工具调用、结构化输出、流式细节等可能有差异，切换前要用评测集验证。

### 【基础】token 是什么？成本怎么算？

**参考答案**：模型处理文本的基本单位，由模型的分词器决定，中文和英文的换算比例不同。成本一般 = 输入 token × 输入单价 + 输出 token × 输出单价，输出通常更贵；部分厂商对缓存命中的输入有折扣。

**追问**：怎么在调用前估算 token？→ 用对应模型的分词器计算，或者用经验系数粗估，并在响应中读取实际用量。

### 【基础】什么时候需要微调？

**参考答案**：需要稳定的输出风格 / 格式、特定领域表达、用小模型替代大模型降成本，并且有足够的高质量数据和评测集时。知识更新用 RAG，行为调整先尝试提示词。

**追问**：微调的数据要多少？→ 取决于任务，LoRA 做格式 / 风格调整几百到几千条高质量样本就可能有效；质量比数量重要，必须有评测集验证。

## 进阶

### 【进阶】LoRA 和 QLoRA 的原理？

**参考答案**：LoRA 冻结原模型权重，在部分层旁加两个低秩矩阵（A、B），只训练它们，权重变化表示为 BA，可训练参数很少，适配器文件小，可以一个底座挂多个适配器。QLoRA 把底座量化为 4 bit（NF4）后再做 LoRA，显存需求更低。

**追问**：LoRA 的 rank 怎么选？→ 常见 8~64，任务越复杂可以越大；用评测结果决定，不是越大越好。

### 【进阶】vLLM 为什么吞吐高？

**参考答案**：PagedAttention 用分页方式管理 KV 缓存，减少显存碎片和浪费，同时能服务更多并发请求；连续批处理让新请求随时加入正在运行的批次，GPU 利用率更高。

**追问**：显存不够怎么办？→ 量化（AWQ / GPTQ / FP8 等）、减小 `--max-model-len`、多卡张量并行、换更小的模型。

### 【进阶】多模型降级要注意什么？

**参考答案**：区分可重试错误（限流、超时）和不可重试错误（参数错误、内容拒绝）；熔断避免持续打到故障的提供方；备用模型要经过评测；记录降级比例并告警；流式请求在开始输出后失败时不能简单切换（用户已经看到部分内容），要有提示或重新生成的机制。

**追问**：怎么避免降级时成本失控？→ 备用模型也走配额；降级期间对非关键业务限流。

## 场景题

### 【场景题】公司多个业务都要用大模型，怎么统一管理？

**参考答案**：统一网关：OpenAI 兼容接口、业务令牌、逻辑模型名映射到具体厂商、主备和熔断、Redis 配额、调用台账和成本报表、敏感数据走内网模型。详见[模型网关场景](scenarios/multi-provider-gateway.md)。

**追问**：网关自己挂了怎么办？→ 多实例无状态部署，前面有负载均衡；关键业务可以配置直连备用方案（受控的应急开关）。

### 【场景题】业务要求数据不出内网，但开源模型效果不如商用模型，怎么办？

**参考答案**：按数据敏感程度分级：敏感数据走内网模型，非敏感部分可以用商用模型；对内网模型用 RAG 补充知识、优化提示词，必要时用 LoRA 针对具体任务微调；用评测集量化差距，和业务方确认可接受的效果；或者使用云厂商的私有化 / 专属部署方案。

**追问**：内网模型选多大的？→ 根据评测效果、并发需求和 GPU 预算权衡，先用小规模测试确定吞吐和延迟。