阿里巴巴面试题 · 技术原理 · LLM
阿里巴巴相关面试题，按最终去重题目聚合。
共 2826 道真题 · 当前筛选命中 44 道 · 更新 2026-08-05
筛选题目已选：技术原理 · LLM
考察点
技术栈
第 21 题介绍一下大语言模型中的知识蒸馏，它如何用于压缩模型体积？ 考察对大语言模型知识蒸馏原理及其在模型压缩中作用的理解第 22 题对比大语言模型的增量推理和传统推理方式，增量推理的优势和实现难点是什么？ 考察对大模型推理机制的理解及工程优化能力第 23 题怎么缓解大模型的幻觉问题？ 考察对大模型幻觉成因和缓解方法的理解第 24 题请介绍一下你对大型语言模型微调（Fine-tuning）的理解，包括其目的、常用方法以及适用场景。 考察对模型微调技术原理、常用方法的掌握及场景判断能力第 25 题大语言模型的长文本处理能力有限，目前有哪些技术可以缓解这一问题？ 考察对长上下文处理技术的了解、原理理解及权衡意识第 26 题如何评估大语言模型的性能？请列举常见的评测指标。 考察对大语言模型性能评测指标的理解与掌握第 27 题你认为当前大模型的能力上限主要受哪些因素限制？未来可能的突破方向在哪里？ 考察对大模型技术边界、局限性与发展方向的系统性理解第 28 题请分享你在大语言模型有监督微调（SFT）中的调参经验，重点说明关键超参数的选择依据和调整方法。 考察对大模型SFT关键超参数的理解、实践经验与调参方法论第 29 题你如何看待AI Agent当前的发展现状？ 考察对AI Agent技术演进、产品形态与行业应用的认知广度第 30 题请介绍一次你微调大模型的经历，并讲讲你的实践过程。 考察候选人大模型微调的实际经验、技术选型与问题解决能力第 31 题比较BPE、WordPiece和Unigram等主流分词算法的主要差异。 考察对不同分词算法的原理和适用场景的理解第 32 题对比Zero-Shot、Few-Shot和In-Context Learning，它们在大语言模型中的应用场景和局限性分别是什么？ 考察对大语言模型提示范式差异的理解及实际取舍第 33 题请解释什么是大语言模型的“涌现能力”。 考察对大语言模型涌现能力概念的理解第 34 题主流 LLM 一般包含哪些架构组成？ 考察 LLM 基础架构组成与工作原理第 35 题微调和RAG的优劣势分别是什么 考察对大语言模型应用中微调与RAG两种主流方法的技术理解与适用场景判断第 36 题你了解大模型吗？实习中有哪些使用经历？ 考察对大模型技术的基本认知与实习中实际应用经验第 37 题LLM重复生成内容的问题如何缓解？ 考察对LLM生成文本重复现象的成因分析与工程化解法第 38 题在LLM推理里,我们经常听到一个词叫prefill,能解释一下它是什么意思吗? 考察对LLM推理阶段划分的理解,特别是prefill阶段的作用第 39 题你认为使用提示词（Prompt）有门槛吗？门槛体现在哪些方面？ 考察对提示词工程本质的理解及对使用者能力要求的认知第 40 题请解释Grouped-Query Attention（GQA）的原理及其实现方式。 考察对GQA机制原理和高效实现的理解