2025年計算機等級考試(NCRE)一級人工智能與大模型基礎(chǔ)樣題及參考答案一、單項選擇題（每題2分，共30分）1.下列關(guān)于人工智能（AI）的描述中，最準確的是：A.僅指模仿人類體力勞動的技術(shù)B.通過計算機程序模擬人類智能的理論、方法和技術(shù)C.特指機器人技術(shù)D.僅用于圖像識別的算法答案：B2.2023年發(fā)布的某大語言模型（LLM）參數(shù)規(guī)模達2000億，其核心訓(xùn)練目標通常是：A.最小化圖像分類誤差B.最大化序列文本的預(yù)測概率C.優(yōu)化語音識別的準確率D.提升強化學習的獎勵值答案：B3.深度學習的核心技術(shù)基礎(chǔ)是：A.決策樹算法B.神經(jīng)網(wǎng)絡(luò)（尤其是深層神經(jīng)網(wǎng)絡(luò)）C.貝葉斯分類器D.K近鄰算法答案：B4.Transformer架構(gòu)的關(guān)鍵創(chuàng)新是引入了：A.卷積操作（CNN）B.循環(huán)單元（RNN）C.自注意力機制（SelfAttention）D.強化學習策略答案：C5.多模態(tài)大模型（如GPT4）的“多模態(tài)”主要指能夠處理：A.僅文本數(shù)據(jù)B.文本、圖像、語音等多種類型數(shù)據(jù)C.不同編程語言的代碼D.結(jié)構(gòu)化表格數(shù)據(jù)答案：B6.監(jiān)督學習與無監(jiān)督學習的主要區(qū)別在于：A.監(jiān)督學習需要標注數(shù)據(jù)，無監(jiān)督學習不需要B.監(jiān)督學習用于分類，無監(jiān)督學習用于回歸C.監(jiān)督學習模型更復(fù)雜D.無監(jiān)督學習依賴強化學習獎勵答案：A7.圖靈測試的核心目的是：A.評估計算機的運算速度B.判斷機器是否具備人類級別的智能C.測試神經(jīng)網(wǎng)絡(luò)的層數(shù)D.驗證數(shù)據(jù)標注的準確性答案：B8.以下屬于大語言模型（LLM）的是：A.ResNet（圖像分類模型）B.ChatGPT（GPT系列）C.YOLO（目標檢測模型）D.AlphaFold（蛋白質(zhì)結(jié)構(gòu)預(yù)測模型）答案：B9.訓(xùn)練大模型（如千億參數(shù)模型）的關(guān)鍵資源不包括：A.大規(guī)模高質(zhì)量數(shù)據(jù)B.高性能計算集群（如GPU/TPU）C.復(fù)雜的傳統(tǒng)統(tǒng)計方法D.高效的分布式訓(xùn)練框架（如DeepSpeed）答案：C10.下列哪項是AI倫理的核心問題之一？A.模型參數(shù)的可視化B.訓(xùn)練數(shù)據(jù)中的偏見導(dǎo)致輸出歧視性內(nèi)容C.模型的前向傳播速度D.數(shù)據(jù)壓縮的效率答案：B11.遷移學習在大模型中的典型應(yīng)用是：A.直接使用隨機初始化的模型訓(xùn)練B.在預(yù)訓(xùn)練模型基礎(chǔ)上針對特定任務(wù)微調(diào)C.僅使用小規(guī)模數(shù)據(jù)從頭訓(xùn)練D.完全依賴強化學習調(diào)整參數(shù)答案：B12.提供式AI（如DALLE3）與判別式AI（如BERT）的主要區(qū)別是：A.提供式AI輸出新內(nèi)容，判別式AI輸出分類/預(yù)測結(jié)果B.提供式AI僅處理文本，判別式AI僅處理圖像C.提供式AI不需要數(shù)據(jù)訓(xùn)練D.判別式AI參數(shù)規(guī)模更大答案：A13.以下哪項是AI在醫(yī)療領(lǐng)域的典型應(yīng)用？A.自動提供短視頻內(nèi)容B.基于醫(yī)學影像輔助腫瘤識別C.優(yōu)化電商平臺推薦算法D.控制工業(yè)機器人焊接答案：B14.大模型的主要局限性不包括：A.計算資源消耗極大（如訓(xùn)練需要數(shù)千張GPU）B.可能提供“幻覺”（Hallucination，即與事實不符的內(nèi)容）C.對小樣本任務(wù)的適配能力極強D.難以解釋決策過程（黑箱問題）答案：C15.人工智能發(fā)展的三次浪潮依次對應(yīng)的核心技術(shù)是：A.符號主義→連接主義→行為主義B.深度學習→專家系統(tǒng)→神經(jīng)網(wǎng)絡(luò)C.大數(shù)據(jù)→算力提升→算法突破D.感知智能→認知智能→通用智能答案：A二、判斷題（每題1分，共10分。正確填“√”，錯誤填“×”）1.圖靈測試中，若人類無法分辨對話對象是機器還是人，則認為機器通過測試。（）答案：√2.機器學習是人工智能的子集，深度學習是機器學習的子集。（）答案：√3.大模型訓(xùn)練通常需要數(shù)百萬甚至數(shù)十億條標注數(shù)據(jù)。（）答案：√4.Transformer架構(gòu)中的自注意力機制可以讓模型動態(tài)關(guān)注輸入中的關(guān)鍵部分。（）答案：√5.無監(jiān)督學習需要為數(shù)據(jù)標注明確的標簽（如“貓”“狗”）。（）答案：×（無監(jiān)督學習不需要標注標簽）6.多模態(tài)大模型可以同時處理文本、圖像、語音等多種模態(tài)的信息。（）答案：√7.LLM（大語言模型）的核心目標是預(yù)測文本序列中的下一個詞。（）答案：√8.提供式AI（如StableDiffusion）的輸出一定是完全真實的內(nèi)容。（）答案：×（可能提供虛構(gòu)內(nèi)容）9.AI倫理問題僅涉及技術(shù)本身，與社會應(yīng)用無關(guān)。（）答案：×（需考慮社會影響）10.遷移學習可以減少特定任務(wù)所需的標注數(shù)據(jù)量。（）答案：√三、簡答題（每題8分，共40分）1.簡述人工智能的三要素及其作用。答案：人工智能的三要素是數(shù)據(jù)、算法、算力。數(shù)據(jù)：是AI的“燃料”，高質(zhì)量、大規(guī)模的數(shù)據(jù)為模型訓(xùn)練提供經(jīng)驗，決定模型的知識范圍和準確性；算法：是AI的“核心邏輯”，如深度學習、Transformer等算法決定了模型如何從數(shù)據(jù)中提取特征、學習規(guī)律；算力：是AI的“動力”，高性能計算設(shè)備（如GPU、TPU）和分布式計算框架支撐大模型的訓(xùn)練和推理，尤其是千億參數(shù)模型需要海量算力。2.解釋Transformer架構(gòu)中“自注意力機制”的核心作用，并舉例說明其應(yīng)用。答案：自注意力機制允許模型在處理每個輸入位置時，動態(tài)計算其與其他所有位置的關(guān)聯(lián)程度（注意力權(quán)重），從而捕捉長距離依賴關(guān)系。例如，在翻譯“我喜歡蘋果，因為它很甜”時，模型需要關(guān)聯(lián)“蘋果”與“甜”（長距離詞語），自注意力機制通過計算“蘋果”與“甜”的注意力權(quán)重，確保翻譯時正確理解“它”指代“蘋果”。3.列舉大模型在教育領(lǐng)域的三個典型應(yīng)用，并簡要說明其價值。答案：智能輔導(dǎo)系統(tǒng)：通過大模型分析學生答題數(shù)據(jù)，診斷知識薄弱點，提供個性化學習建議（如數(shù)學函數(shù)部分薄弱時推送針對性練習）；自動作業(yè)批改：對主觀題（如作文、論述題）進行語義分析，評估邏輯、語法和內(nèi)容深度，減輕教師負擔；語言學習助手：支持多語言對話交互（如模擬英語日常對話），實時糾正發(fā)音和語法錯誤，提升口語實踐機會。4.目前AI倫理面臨的主要挑戰(zhàn)有哪些？請至少列舉四點。答案：數(shù)據(jù)偏見：訓(xùn)練數(shù)據(jù)可能包含歷史歧視（如性別、種族偏見），導(dǎo)致模型輸出歧視性內(nèi)容（如招聘推薦中低估女性候選人）；隱私泄露：模型可能從訓(xùn)練數(shù)據(jù)中記憶敏感信息（如用戶手機號、醫(yī)療記錄），引發(fā)數(shù)據(jù)泄露風險；就業(yè)替代：AI在客服、翻譯等領(lǐng)域的應(yīng)用可能導(dǎo)致部分崗位減少，需關(guān)注勞動者技能轉(zhuǎn)型；責任歸屬：當AI決策（如自動駕駛事故、醫(yī)療診斷錯誤）引發(fā)后果時，難以明確開發(fā)者、使用者或模型本身的責任；技術(shù)濫用：惡意使用提供式AI制作虛假內(nèi)容（如偽造視頻、謠言），破壞信息可信度。5.提供式AI與判別式AI的核心區(qū)別是什么？各舉一例說明。答案：核心區(qū)別：提供式AI的目標是根據(jù)訓(xùn)練數(shù)據(jù)提供新的、符合分布的內(nèi)容（如文本、圖像）；判別式AI的目標是對輸入數(shù)據(jù)進行分類或預(yù)測（如判斷郵件是否為垃圾郵件）。示例：提供式AI如DALLE3（根據(jù)文本提示提供圖像）；判別式AI如BERT（對輸入句子進行情感分析，輸出“積極”“消極”標簽）。四、操作題（每題10分，共20分）1.假設(shè)需使用HuggingFace的Transformers庫加載一個預(yù)訓(xùn)練的中文大語言模型（如ChatGLM6B），并完成“描述春天的景象”的文本提供任務(wù)。請寫出主要操作步驟（需包含代碼框架）。答案：步驟1：安裝依賴庫。在終端運行`pipinstalltransformerstorch`。步驟2：導(dǎo)入模型和分詞器。使用以下代碼：```pythonfromtransformersimportAutoTokenizer,AutoModeltokenizer=AutoTokenizer.from_pretrained("THUDM/chatglm6b")model=AutoModel.from_pretrained("THUDM/chatglm6b").half().cuda()加載到GPU（若有）```步驟3：設(shè)置提供參數(shù)。例如：```pythonprompt="描述春天的景象"inputs=tokenizer(prompt,return_tensors="pt").to("cuda")輸入編碼```步驟4：提供文本。調(diào)用模型的提供方法：```pythonoutputs=model.generate(inputs,max_length=200,temperature=0.7)控制提供長度和隨機性```步驟5：解碼輸出。將模型輸出的token轉(zhuǎn)換為文本：```pythonresponse=tokenizer.decode(outputs[0],skip_special_tokens=True)print(response)輸出類似“春天的風裹著花香拂過柳枝，嫩芽從枝頭探出頭，桃花、杏花在暖日下舒展花瓣……”```2.使用某圖像提供大模型（如StableDiffusionWebUI）提供一張“深秋的楓樹林，陽光透過樹葉灑在地面，有一條石子小路”的圖片。請描述具體操作流程（包含關(guān)鍵參數(shù)設(shè)置）。答案：步驟1：打開StableDiffusionWebUI界面（如本地部署或在線平臺）。步驟2：在“提示詞（Prompt）”輸入框中填寫正向描述：“autumnmapleforest,goldensunlightfilteringthroughleaves,stonepathontheground,highdefinition,8k,realistic”（中文模型可輸入對應(yīng)中文提示）。步驟3：添加負向提示詞（NegativePrompt）避免不想要的元素，如：“blurry,lowquality,darklighting,artificialobjects”（模糊、低質(zhì)、光線過暗、人工物體）。步驟4：設(shè)置提供參數(shù)：采樣方法（Sampler）：選擇“DPM++2MKarras”（平衡速度與質(zhì)量）；