⚡ 大语言模型ID:
classic-tasks经典 NLP 任务
Classic NLP Tasks
🎯核心定义
四大经典任务在 LLM 前后的范式对比。(1) 文本分类——前:TF-IDF/BOW + LR/GBDT 特征工程,或 BERT 取 [CLS] 接 ;后:zero/few-shot 提示词直接判类,或蒸馏到小模型降本。(2) NER——前:序列标注 BiLSTM-CRF,输出 BIO 标签;后:让 LLM 输出 JSON 实体列表,不限定标签集,零训练即可换新实体类型。(3) 机器翻译——前:SMT(短语统计)到 NMT(Seq2Seq + Attention,BLEU 评测);后:单模型多语言 + 上下文术语表约束。(4) 摘要——前:抽取式(TextRank)与生成式(BART/Pegasus,ROUGE);后:超长文档用 Map-Reduce 分块摘要再合并。
💡使用场景
迁移到 LLM 前的技术选型评估;高吞吐、低延迟、强隐私约束时仍选传统小模型;面试常以"给你 1000 万条客服工单分类,你怎么做"考 LLM 与模型微调的成本权衡。
⚡解决的核心痛点
传统范式每个任务要专属标注数据、专属模型与特征工程,新任务冷启动慢;LLM 范式把任务差异收敛为提示词差异,少样本可启动、可复用,代价是延迟/成本/稳定性,因此实践上常走"LLM 标注 → 蒸馏小模型"的混合路线。
🎯5 个高频面试考点 (Exam Points)
1
分类任务 LLM 与 BERT 范式对比:准确率、成本、延迟、冷启动分别什么表现?
2
NER 的序列标注路线(BIO、BiLSTM-CRF)与 LLM 抽取路线的优劣分别是什么?
3
为什么说 NMT 取代 SMT 是深度学习的里程碑?BLEU 在其中扮演什么角色?
4
超长文本摘要的 Map-Reduce 方案怎么设计?合并阶段的信息丢失如何缓解?
5
LLM 蒸馏到小模型的落地路径:如何构造标注数据、如何评估蒸馏损失?
📖 关联深度指南:📄 nlp-tasks-and-ner →
更新于 2026-08-12🎯
🚀 开始本考点专项刷题 ➔检验攻克程度：针对「经典 NLP 任务」专属刷题排雷
做单选排雷题、推导选项机制，答错自动收录进专属错题本。