2025年人工智能技術(shù)與應(yīng)用考試試卷及答案一、單項(xiàng)選擇題（每題2分，共20分）1.在Transformer架構(gòu)中，用于捕捉序列位置信息的核心組件是A.卷積核B.位置編碼C.殘差連接D.批歸一化答案：B解析：Transformer完全摒棄RNN，用位置編碼（PositionalEncoding）將token的絕對(duì)或相對(duì)位置信息注入詞向量，使模型感知序列順序。2.聯(lián)邦學(xué)習(xí)框架下，參與方上傳的參數(shù)通常是A.原始訓(xùn)練樣本B.模型權(quán)重梯度C.測(cè)試集標(biāo)簽D.超配置字典答案：B解析：聯(lián)邦學(xué)習(xí)遵循“數(shù)據(jù)不出本地”，僅上傳加密后的梯度或權(quán)重，服務(wù)器聚合后再下發(fā)，保護(hù)隱私。3.下列哪種激活函數(shù)在x=0處不可微但工程上仍被廣泛使用A.SigmoidB.TanhC.ReLUD.Swish答案：C解析：ReLU在0點(diǎn)左導(dǎo)數(shù)為0，右導(dǎo)數(shù)為1，嚴(yán)格來(lái)說(shuō)不可微，但次梯度存在，實(shí)現(xiàn)簡(jiǎn)單且緩解梯度消失。4.在DiffusionModel訓(xùn)練階段，網(wǎng)絡(luò)通常需要預(yù)測(cè)A.原始圖像x?B.噪聲εC.均值μD.方差σ2答案：B解析：DDPM等擴(kuò)散模型令網(wǎng)絡(luò)學(xué)習(xí)“當(dāng)前步添加的噪聲”，通過(guò)重參數(shù)技巧簡(jiǎn)化似然計(jì)算。5.自動(dòng)駕駛感知模塊中，將激光雷達(dá)點(diǎn)云投影至圖像平面后常用的融合方式是A.EarlyfusionB.LatefusionC.CrossfusionD.Zerofusion答案：A解析：點(diǎn)云與像素在輸入階段拼接即Earlyfusion，可充分利用底層特征，但對(duì)對(duì)齊精度敏感。6.在AIGC文本生成里，Topp采樣與Topk采樣核心差異在于A.是否使用溫度系數(shù)B.候選集大小是否動(dòng)態(tài)C.是否引入隨機(jī)種子D.是否調(diào)用VAE答案：B解析：Topk固定候選k個(gè)詞，Topp按累積概率動(dòng)態(tài)截?cái)?，更靈活控制多樣性。7.當(dāng)BERT輸入長(zhǎng)度超過(guò)512token時(shí)，工業(yè)界最經(jīng)濟(jì)的改進(jìn)策略是A.直接截?cái)郆.使用Longformer稀疏注意力C.提升GPU顯存D.改為Word2Vec答案：B解析：Longformer采用滑動(dòng)窗口+全局注意力，顯存線性增長(zhǎng)，可處理上萬(wàn)token。8.在深度強(qiáng)化學(xué)習(xí)中，RainbowDQN整合了以下除哪項(xiàng)外的技術(shù)A.DoubleDQNB.DuelingNetworkC.PrioritizedReplayD.EvolutionStrategy答案：D解析：Rainbow組合了六項(xiàng)技巧，不包括進(jìn)化策略，后者屬于另一類黑箱優(yōu)化。9.模型壓縮技術(shù)中，可將32位浮點(diǎn)權(quán)重量化為4位整型而精度幾乎不降的方法叫A.PosttrainingquantizationB.QATC.KL量化D.Huffman編碼答案：B解析：QAT（QuantizationAwareTraining）在訓(xùn)練階段模擬量化噪聲，使模型適應(yīng)低比特。10.當(dāng)使用VisionTransformer做目標(biāo)檢測(cè)時(shí)，為保持高分辨率特征圖，通常引入A.FPNB.ShiftedWindowC.DeformableAttentionD.RoIAlign答案：C解析：DeformableDETR通過(guò)可變形注意力只采樣少量關(guān)鍵位置，降低高分辨率計(jì)算復(fù)雜度。二、多項(xiàng)選擇題（每題3分，共15分）11.以下屬于PromptEngineering有效技巧的有A.ChainofThoughtB.Fewshot示范C.增加模型層數(shù)D.角色扮演設(shè)定答案：A、B、D解析：Prompt不改變模型結(jié)構(gòu)，C屬于模型側(cè)改動(dòng)；A、B、D均通過(guò)文本提示激發(fā)能力。12.關(guān)于StableDiffusion，下列說(shuō)法正確的有A.潛在空間維度通常遠(yuǎn)小于像素空間B.訓(xùn)練時(shí)使用VAE編碼器C.采樣必須采用DDIMD.支持文本條件輸入答案：A、B、D解析：C錯(cuò)誤，也可使用DDPM、DPMSolver等；A、B、D均為官方實(shí)現(xiàn)特征。13.在自動(dòng)駕駛仿真平臺(tái)Carla中，可同步輸出的傳感器數(shù)據(jù)有A.RGB攝像頭B.語(yǔ)義分割圖C.激光雷達(dá)點(diǎn)云D.CAN總線油耗答案：A、B、C解析：Carla提供理想化傳感器流，不包括真實(shí)油耗；A、B、C均支持。14.以下對(duì)GPT4技術(shù)描述屬實(shí)的是A.采用MoE架構(gòu)B.支持視覺(jué)輸入C.完全開(kāi)源權(quán)重D.上下文長(zhǎng)度可達(dá)32ktoken答案：A、B、D解析：C錯(cuò)誤，OpenAI未開(kāi)源；A、B、D已由官方技術(shù)報(bào)告或接口披露。15.關(guān)于AI倫理治理，歐盟《AIAct》草案中列為“高風(fēng)險(xiǎn)”場(chǎng)景的有A.生物識(shí)別系統(tǒng)B.教育評(píng)分C.垃圾郵件過(guò)濾D.自動(dòng)駕駛答案：A、B、D解析：垃圾郵件過(guò)濾屬有限風(fēng)險(xiǎn)，A、B、D需嚴(yán)格合規(guī)審查。三、判斷題（每題1分，共10分）16.VisionTransformer的PatchEmbedding層可用1×1卷積等價(jià)實(shí)現(xiàn)。答案：√解析：1×1卷積與線性投影數(shù)學(xué)等價(jià)，均可將H×W×3映射為(HW/patch2)×embed_dim。17.聯(lián)邦學(xué)習(xí)中，服務(wù)器采用FedAvg聚合時(shí)，各客戶端必須擁有相同大小的本地?cái)?shù)據(jù)集。答案：×解析：FedAvg按樣本數(shù)加權(quán)平均，無(wú)需各客戶端數(shù)據(jù)量相等。18.在深度強(qiáng)化學(xué)習(xí)中，使用PER（優(yōu)先經(jīng)驗(yàn)回放）一定導(dǎo)致訓(xùn)練速度變慢。答案：×解析：PER以少量計(jì)算換更高采樣效率，往往加速收斂。19.擴(kuò)散模型的ELBO目標(biāo)與VAE的ELBO在數(shù)學(xué)形式上完全一致。答案：×解析：兩者均用變分下界，但擴(kuò)散模型需對(duì)T個(gè)時(shí)間步求和，形式更復(fù)雜。20.自動(dòng)駕駛高精地圖的絕對(duì)坐標(biāo)精度通常要求≤10cm。答案：√解析：L4級(jí)自動(dòng)駕駛定位與地圖匹配需厘米級(jí)精度，10cm為行業(yè)通用上限。21.使用LoRA微調(diào)大模型時(shí)，可訓(xùn)練參數(shù)量一定低于原模型1%。答案：√解析：LoRA引入低秩矩陣，秩r常取4~64，顯存與計(jì)算量均遠(yuǎn)小于原模型。22.在文本生成中，重復(fù)懲罰（repetitionpenalty）系數(shù)越大越容易出現(xiàn)“胡言亂語(yǔ)”。答案：√解析：過(guò)度懲罰導(dǎo)致模型避開(kāi)高頻詞，可能輸出不合語(yǔ)法文本。23.神經(jīng)架構(gòu)搜索（NAS）只能在GPU集群上完成，無(wú)法在邊緣芯片運(yùn)行。答案：×解析：搜索階段可在云端，搜索得到的輕量模型完全可部署于邊緣。24.多模態(tài)模型CLIP的圖像編碼器與文本編碼器共享參數(shù)。答案：×解析：CLIP采用雙塔結(jié)構(gòu)，兩路網(wǎng)絡(luò)參數(shù)獨(dú)立，僅通過(guò)對(duì)比學(xué)習(xí)對(duì)齊。25.在Python中，torch.cuda.amp自動(dòng)混合精度訓(xùn)練可提升推理速度但一定降低精度。答案：×解析：AMP利用FP16加速，同時(shí)維護(hù)FP32主副本，精度損失通常<0.1%。四、填空題（每空2分，共20分）26.在自監(jiān)督學(xué)習(xí)中，SimSiam通過(guò)________分支避免模型崩潰，無(wú)需負(fù)樣本。答案：StopGradient解析：StopGradient切斷一路梯度，防止表示塌縮到常數(shù)。27.擴(kuò)散模型DDPM的前向過(guò)程是一個(gè)________過(guò)程，可直接采樣得到任意t時(shí)刻的x_t。答案：馬爾可夫加噪解析：q(x_t|x_{t1})僅依賴前一狀態(tài)，故可一次性從x?采樣至x_t。28.在VisionTransformer中，若輸入圖像224×224，Patch大小為16，則序列長(zhǎng)度為_(kāi)_______。答案：196解析：(224/16)2=142=196。29.自動(dòng)駕駛感知任務(wù)中，mAP@0.5指標(biāo)里的0.5指________閾值。答案：IoU解析：IoU≥0.5的預(yù)測(cè)框才被視作為真正例。30.使用混合專家（MoE）模型時(shí)，GateNetwork的作用是________。答案：為每個(gè)token選擇Topk專家并給出權(quán)重解析：Gate輸出稀疏權(quán)重，實(shí)現(xiàn)條件計(jì)算，擴(kuò)大模型容量。31.在PromptTuning中，可訓(xùn)練參數(shù)僅為_(kāi)_______向量。答案：Softprompt或Continuousprompt解析：凍結(jié)大模型，只優(yōu)化輸入前添加的連續(xù)向量。32.神經(jīng)網(wǎng)絡(luò)剪枝算法SNIP的核心思想是在________階段評(píng)估連接重要性。答案：初始化解析：SNIP利用初始化時(shí)的梯度與權(quán)重乘積估計(jì)參數(shù)敏感度。33.在AI芯片上，TensorCore計(jì)算8×4與4×8矩陣乘得到的輸出形狀為_(kāi)_______。答案：8×8解析：矩陣乘法維度規(guī)則：(m×k)·(k×n)=m×n。34.使用PyTorch時(shí)，函數(shù)torch.nn.functional.scaled_dot_product_attention在CUDA后端默認(rèn)調(diào)用________內(nèi)核。答案：FlashAttention解析：PyTorch2.0起集成FlashAttention，降低顯存復(fù)雜度至O(n)。35.在RLHF（人類反饋強(qiáng)化學(xué)習(xí)）中，用于擬合人類偏好的模型稱為_(kāi)_______模型。答案：RewardModel解析：RewardModel輸出標(biāo)量獎(jiǎng)勵(lì)，供PPO等算法優(yōu)化策略。五、簡(jiǎn)答題（每題8分，共24分）36.描述擴(kuò)散模型中ClassifierFreeGuidance的動(dòng)機(jī)與實(shí)現(xiàn)步驟，并給出公式說(shuō)明其如何平衡生成質(zhì)量與多樣性。答案：動(dòng)機(jī)：?jiǎn)渭儣l件擴(kuò)散模型往往依賴預(yù)訓(xùn)練分類器，推理階段需額外計(jì)算分類器梯度，流程繁瑣且分類器質(zhì)量決定上限。ClassifierFreeGuidance（CFG）通過(guò)聯(lián)合訓(xùn)練條件與無(wú)條件模型，省去分類器。步驟：1)訓(xùn)練時(shí)以概率p隨機(jī)將條件c置為空?，使網(wǎng)絡(luò)同時(shí)學(xué)習(xí)ε_(tái)θ(x_t,c)與ε_(tái)θ(x_t,?)。2)推理時(shí)預(yù)測(cè)噪聲改寫為ε?=ε_(tái)θ(x_t,?)+w·(ε_(tái)θ(x_t,c)?ε_(tái)θ(x_t,?))其中w為引導(dǎo)尺度。3)用ε?執(zhí)行去噪更新。平衡機(jī)制：w>1增強(qiáng)條件信號(hào)，提高生成質(zhì)量；w過(guò)大則多樣性下降，經(jīng)驗(yàn)值7~10最佳。公式顯示CFG通過(guò)外推條件與無(wú)條件差值，動(dòng)態(tài)調(diào)整引導(dǎo)強(qiáng)度。37.解釋自動(dòng)駕駛系統(tǒng)中“時(shí)空同步”概念，并給出多傳感器硬件層面兩種實(shí)現(xiàn)方案。答案：時(shí)空同步指將不同傳感器采集的數(shù)據(jù)統(tǒng)一到同一時(shí)刻與同一坐標(biāo)系，避免感知融合出現(xiàn)鬼影或錯(cuò)位。硬件方案：1)PTP（PrecisionTimeProtocol）以太網(wǎng)授時(shí)：車載交換機(jī)作為主時(shí)鐘，激光雷達(dá)、相機(jī)、IMU等終端通過(guò)PTP協(xié)議同步至微秒級(jí)，再于數(shù)據(jù)幀頭打入時(shí)間戳。2)GPS+PPS脈沖：以GPS的1PPS（每秒脈沖）為基準(zhǔn)，觸發(fā)相機(jī)曝光與激光雷達(dá)旋轉(zhuǎn)電機(jī)，實(shí)現(xiàn)硬觸發(fā)同步；同時(shí)GPS提供UTC時(shí)間，軟件層按最小時(shí)間差對(duì)齊。兩種方案均需在標(biāo)定階段記錄外參，將多傳感器數(shù)據(jù)轉(zhuǎn)換至車體中心坐標(biāo)系，完成空間同步。38.對(duì)比全量微調(diào)、LoRA、AdaLoRA三者在參數(shù)量、顯存占用、訓(xùn)練速度上的差異，并指出AdaLoRA如何解決LoRA的局限。答案：全量微調(diào)：參數(shù)量=100%模型，顯存占用最大，需保存權(quán)重、梯度、優(yōu)化器狀態(tài)；訓(xùn)練速度最慢。LoRA：引入低秩分解ΔW=BA，參數(shù)量≈2×r×d，顯存下降30~50%，速度提升1.5~2倍；但秩r固定，無(wú)法動(dòng)態(tài)調(diào)整。AdaLoRA：在LoRA基礎(chǔ)上增加重要性指標(biāo)（如奇異值或梯度模），訓(xùn)練過(guò)程中自動(dòng)剪枝低重要性秩，動(dòng)態(tài)分配參數(shù)預(yù)算；參數(shù)量進(jìn)一步減少10~30%，顯存再降，且精度與全量微調(diào)持平。局限解決：通過(guò)自適應(yīng)秩選擇，避免手工調(diào)秩，提升參數(shù)效率與最終性能。六、計(jì)算與推導(dǎo)題（共21分）39.（10分）給定一個(gè)兩層的MLP，輸入維度d?=512，隱藏層d?=1024，輸出維度d?=10，采用ReLU激活。若使用FP16訓(xùn)練，求：(1)理論峰值顯存占用（含權(quán)重、梯度、優(yōu)化器動(dòng)量、激活值），假設(shè)批大小B=128，序列長(zhǎng)度1，采用AdamW。(2)若引入GradientCheckpointing，激活值顯存降為多少？答案：(1)權(quán)重：W?=512×1024=0.5M，W?=1024×10=0.01M，總計(jì)0.51M參數(shù)，F(xiàn)P16占2Byte，參數(shù)顯存=0.51M×2≈1.02MB。梯度同量，1.02MB。AdamW保存一階和二階動(dòng)量，各FP32，4Byte，共2×0.51M×4≈4.08MB。激活值：Layer1輸出=B×d?=128×1024=131k，F(xiàn)P16占262kB；Layer2輸入同131kB；反向需保存ReLUmask，位圖131k，≈16kB；總計(jì)≈262+131+16≈409kB≈0.41MB。峰值顯存=1.02+1.02+4.08+0.41≈6.53MB。(2)GradientCheckpointing不保存中間激活，只保存輸入x，需重計(jì)算前向。激活值顯存降為僅x與當(dāng)前層輸出，即128×512×2≈0.13MB。40.（11分）在擴(kuò)散模型DDPM中，已知加噪公式q(x_t|x?)=N(x_t;√α?_tx?,(1?α?_t)I)若