面试速答（先看这里）

**一句话结论：**大模型非常擅长做生成内容、代码编写、文本处理、多模态任务，但它对高精度计算、事实准确性、实时数据获取存在局限性。

60秒标准回答：

大模型非常擅长做生成内容、代码编写、文本处理、多模态任务，但它对高精度计算、事实准确性、实时数据获取存在局限性

**答题顺序：**结论 → 原理/机制 → 关键流程 → 场景与取舍 → 易错点

**记忆锚点：**DeepLGoogle Translate → GitHub Copilot → 大数运算金融精算密码学计算 → 文章小说新闻代码法律合同 → 语音识别 & 语音合成 → 法律医学财务报告分析

关键取舍：

• 代码调试 ：帮助找出代码中的 Bug、优化代码性能 。

易错提醒：

• 大模型非常擅长做生成内容、代码编写、文本处理、多模态任务，但它对高精度计算、事实准确性、实时数据获取存在局限性。
• 容易“编造”信息 ，即使信息看起来可信，但可能并不存在。

加分表达：

• 信息提取 ：能从文档中提取关键信息，如 法律、医学、财务报告分析 。

追问准备：

• 围绕「DeepLGoogle Translate」：底层原理是什么？使用时有哪些边界和常见坑？
• 围绕「GitHub Copilot」：底层原理是什么？使用时有哪些边界和常见坑？
• 围绕「大数运算金融精算密码学计算」：底层原理是什么？使用时有哪些边界和常见坑？
• 如果线上出现异常，你会如何定位、验证并规避？

---

典型回答

大模型非常擅长做生成内容、代码编写、文本处理、多模态任务，但它对高精度计算、事实准确性、实时数据获取存在局限性。

擅长方向

• 文本理解：能阅读、总结、分析文章，如 阅读理解、问答系统。

• 文本生成：能撰写高质量 文章、小说、新闻、代码、法律合同 等。

• 机器翻译：可以翻译多种语言，质量接近专业翻译水平（如 DeepL、Google Translate）。

• 信息提取：能从文档中提取关键信息，如 法律、医学、财务报告分析。

• 代码生成：自动编写 Python、JavaScript、C++ 代码，辅助开发者（如 GitHub Copilot）。

• 代码调试：帮助找出代码中的 Bug、优化代码性能。

• 代码解释：能解释复杂代码的逻辑，帮助学习和维护遗留代码。

• 广泛知识问答：大模型掌握 百科知识、历史、科技、医学、经济等 领域的信息。

• 图像识别 & 生成（如 DALL·E、Stable Diffusion）：生成艺术作品、设计海报。

• 语音识别 & 语音合成（如 Whisper、VALL-E）：实现 语音转文字（ASR）、AI 语音播报。

• 视频生成（如 Sora）：基于文本输入，生成高质量视频。

• 总结长文档（如会议纪要、论文总结）。

• 从非结构化文本中提取信息（如将文章转换成 表格、JSON 数据）。

不擅长方向

• 无法进行精确 数值计算，如 大数运算、金融精算、密码学计算。（如3.9和3.11那个大？）

• 可能犯 逻辑错误，推理链条过长时，可能得出错误结论。

• 容易“编造”信息，即使信息看起来可信，但可能并不存在。

• 可能给出 错误的医学、法律、科技等专业知识（如医学诊断、法律条文）。

• 对 长尾知识（冷门信息、最新论文、特定行业信息）缺乏准确性。

• 训练好的大模型不会像人类一样主动学习新知识，无法实时更新。