阿里巴巴面试题 · 方案权衡 · LoRA
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 16 道 · 更新 2026-08-05
筛选题目已选：方案权衡 · LoRA
考察点
技术栈
第 1 题为什么用 LoRA 以及 LoRA 的原理和优缺点？ 考察对参数高效微调方法的理解、适用场景和权衡能力第 2 题请解释LoRA微调的原理及其主要优势。 考察对参数高效微调技术LoRA的原理理解与对比能力第 3 题请阐述LoRA的原理，以及其中A、B矩阵的初始化方式和秩（Rank）的设置考量。 考察对LoRA核心机制、初始化细节和超参选择的理解第 4 题同样是低秩分解，为什么LoRA推理时慢而MLA快？请对比两者在推理过程中的差异。 考察对低秩分解不同应用方式的辨析，尤其是推理阶段的实际影响第 5 题讲一下LoRA和QLoRA,后者有什么好处 考察对参数高效微调方法及其差异的理解第 6 题请介绍LoRA的常见参数及其缩放设置对模型效果的影响。 考察对LoRA原理、参数配置和缩放机制的理解第 7 题LoRA 为什么会以支路形式并联在主干网络旁边，而不是串联地接在主干之后？ 考察对 LoRA 低秩增量更新机制与神经网络结构设计的理解第 8 题LoRA算法的工作原理是什么？ 考察对LoRA参数高效微调机制的理解第 9 题MLA在推理时为什么比LoRA更快？请从推理阶段的计算和内存开销角度分析原因。 考察对推理性能差异原因的分析，区分训练与推理的不同考量第 10 题你认为LoRA方法存在哪些缺点？ 考察对LoRA局限性的深度思考与权衡能力第 11 题请说明LoRA在大语言模型微调中有哪些优势，并对比全量微调。 考察对LoRA实用优势的全面理解第 12 题Lora的原理是什么？LORA在推理的时候怎么与原参数融合，从而不带来时间成本？ 考察对LoRA原理、参数低秩分解及推理阶段参数合并机制的理解第 13 题在只有少量训练样本的场景下，应该优先选择 LoRA 还是全参数 SFT？相较于 SFT，LoRA 有哪些优势与劣势？ 考察在小样本场景下的微调方法选择及对 LoRA 与 SFT 优劣的全面认知第 14 题LoRA 初始化是怎么做的？通常使用的秩是多少，为什么不选其他数值？ 考察 LoRA 技术细节、参数初始化与秩选择原理第 15 题LoRA初始化如何做？为何是这样做？ 考察对LoRA理论细节、初始化策略及其原因的理解第 16 题LoRA 的 rank（秩）高低分别会对模型微调效果和训练资源产生什么影响？ 考察对 LoRA 超参数 rank 的调节作用与权衡的理解