⚡ 大语言模型ID: classic-tasks

经典 NLP 任务

Q: 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?

【经典 NLP 任务 核心考点 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?。技术解析：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 \text{softmax}(W^\top h_{\text{[CLS]}});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,BLE... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/LLM/card/classic-tasks

Q: 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?

【经典 NLP 任务 核心考点 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?。技术解析：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 \text{softmax}(W^\top h_{\text{[CLS]}});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,BLE... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/LLM/card/classic-tasks

Q: 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?

【经典 NLP 任务 核心考点 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?。技术解析：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 \text{softmax}(W^\top h_{\text{[CLS]}});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,BLE... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/LLM/card/classic-tasks

Q: 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?

【经典 NLP 任务 核心考点 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?。技术解析：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 \text{softmax}(W^\top h_{\text{[CLS]}});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,BLE... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/LLM/card/classic-tasks

Q: 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?

【经典 NLP 任务 核心考点 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?。技术解析：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 \text{softmax}(W^\top h_{\text{[CLS]}});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,BLE... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/LLM/card/classic-tasks

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

\text{softmax}(W^\top h_{\text{[CLS]}})

;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。

🎯核心面试考点体系 (Exam Points)

基础原理 · 工业场景 · 深入排雷

基础·定义

请阐明【经典 NLP 任务】的本质定义、底层数学/架构运作机制与关键原理。

基础·场景

在实际工业生产体系中，【经典 NLP 任务】适用于哪些典型场景？解决了什么核心工程痛点？

🔥 高频进阶实战考点 (Top 5 Deep-Dive Questions)

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?

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?

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?

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?

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

🎯

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。

🚀 开始本考点专项刷题 ➔

← 上一个知识点上下文工程

经典 NLP 任务

🔗 更多 大语言模型 知识点卡片

🔗 更多大语言模型知识点卡片