阿里巴巴面试题 · 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 48 道 · 更新 2026-08-05
筛选题目已选：LLM
考察点
技术栈
第 1 题大语言模型在推理时出现“幻觉”现象的原因有哪些？ 考察对大语言模型幻觉成因的深入理解第 2 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 3 题有哪些缓解大语言模型幻觉的工程方法？ 考察针对幻觉问题的实际解决手段与权衡第 4 题请列举大语言模型评测中常用的基准数据集，并说明其特点。 考察对大语言模型主流基准数据集及适用范围的了解第 5 题你了解大模型的基本原理和应用场景吗？ 考察对大模型技术的认知深度与广度第 6 题对于AIGC虚拟人产品中用户和虚拟人互动玩法模块的建设，你有什么初步思路？ 考察对AIGC虚拟人互动场景的产品设计思路与模块拆解能力第 7 题介绍一下大语言模型中的注意力机制，多头相比单头注意力有何优势？ 考察对注意力机制原理的理解及多头设计价值的掌握第 8 题大模型在训练和推理时显存不够，有哪些优化方法？ 考察对大模型显存瓶颈的理解及训练和推理阶段优化手段的掌握第 9 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 10 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 11 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 12 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 13 题请解释大语言模型中Tokenization的基本原理和流程。 考察对Tokenization概念、流程及作用的理解第 14 题介绍一下大语言模型的RAG？ 考察对RAG架构、核心流程和应用价值的理解第 15 题请谈谈你对大模型（AI/LLM）技术的理解。 考察对大模型核心原理、能力特点、局限性和应用前景的整体认知第 16 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 17 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 18 题请谈谈你对大语言模型的了解，包括其基本原理和主流应用场景。 考察对大模型基础概念、工作原理和应用场景的理解深度第 19 题怎么让大模型自动生成测试用例 考察对基于大模型的测试用例生成流程、输入设计与质量把控的理解第 20 题你平时如何使用AI工具，又了解哪些前沿的AI概念？ 考察对AI工具的实践应用与前沿技术认知