阿里巴巴面试题 · 方案权衡 · 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 17 道 · 更新 2026-08-05
筛选题目已选：方案权衡 · LLM
考察点
技术栈
第 1 题LLM学习到的表征怎么跟推荐任务对齐？ 考察对LLM与推荐系统结合时表征对齐的理解和方案设计第 2 题长上下文（long context）是当前大语言模型的研究热点，你知道有哪些方法可以解决或缓解长上下文问题？ 考察对长上下文技术方案的系统理解与广度第 3 题什么是大语言模型的“上下文窗口”？扩展上下文窗口对模型性能有何影响？ 考察对大语言模型上下文窗口概念的理解及其扩展带来的性能权衡第 4 题为什么大模型早期强调提示工程，中期较少提及，近期又重新被重视？请分析背后的技术演进逻辑。 考察对提示工程生命周期与技术演进关联的分析能力第 5 题在你看来，目前大模型发展的上限可能在哪里？有哪些突破方向？ 考察对大模型技术边界、前沿方向的认知与判断第 6 题优化大模型的指令跟随能力与推理能力，哪个挑战更大？各自的关键难点是什么？ 考察对LLM能力维度的理解深度与对比分析第 7 题为什么通常采用LLM最后一层隐藏状态做pooling？ 考察对语言模型表征生成机制的理解及其在下游任务中的应用第 8 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 9 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 10 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 11 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 12 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 13 题当使用不常见语言或领域术语时,分词效果不佳如何应对? 考察对分词局限性的理解及实际处理策略第 14 题假设我们是做电商的，你觉得可以怎么用大语言模型来解决我们的一些实际业务问题？ 考察对LLM能力边界和电商业务场景的理解与方案设计能力第 15 题如何设计选择调用哪一个工具或函数的策略？ 考察工具选择的决策机制和设计考虑第 16 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 17 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