2025年國(guó)大學(xué)生人工智能知識(shí)競(jìng)賽題庫(kù)及答案一、單選題（每題2分，共40分。每題只有一個(gè)正確答案，錯(cuò)選、多選均不得分）1.在Transformer架構(gòu)中，用于將輸入序列中任意兩個(gè)位置直接關(guān)聯(lián)起來(lái)的核心機(jī)制是A.卷積核滑動(dòng)B.循環(huán)隱狀態(tài)傳遞C.自注意力權(quán)重矩陣D.池化下采樣答案：C解析：自注意力通過(guò)Q、K、V計(jì)算得到權(quán)重矩陣，實(shí)現(xiàn)任意位置token的直接交互，卷積與循環(huán)均不具備全局一步直達(dá)能力。2.下列關(guān)于聯(lián)邦學(xué)習(xí)（FederatedLearning）的說(shuō)法，錯(cuò)誤的是A.中央服務(wù)器始終掌握各客戶(hù)端原始數(shù)據(jù)B.采用安全聚合協(xié)議可防止模型更新泄露C.FedAvg算法通過(guò)加權(quán)平均聚合本地梯度D.差分隱私可在上傳梯度時(shí)添加噪聲答案：A解析：聯(lián)邦學(xué)習(xí)核心即“數(shù)據(jù)不動(dòng)模型動(dòng)”，原始數(shù)據(jù)保留在本地，服務(wù)器僅接收加密或噪聲化后的梯度。3.在StableDiffusion文生圖流程中，文本編碼器通常采用A.CLIP的TextEncoderB.BERTBaseChineseC.VisionTransformerD.SwinTransformer答案：A解析：StableDiffusion使用CLIPtextencoder將提示詞映射到共享語(yǔ)義空間，再與UNet噪聲預(yù)測(cè)網(wǎng)絡(luò)交互。4.若某深度網(wǎng)絡(luò)使用Swish激活函數(shù)，其導(dǎo)數(shù)在x=0處的值為A.0B.0.5C.1D.σ(1)答案：B解析：Swish(x)=x·σ(x)，求導(dǎo)得σ(x)+x·σ(x)(1σ(x))，代入x=0得σ(0)=0.5，故導(dǎo)數(shù)為0.5。5.在A(yíng)lphaGoZero的自我對(duì)弈中，用于指導(dǎo)MCTS搜索的神經(jīng)網(wǎng)絡(luò)輸出包含A.局面勝率v與策略概率πB.僅局面勝率vC.僅策略概率πD.動(dòng)作價(jià)值Q與獎(jiǎng)勵(lì)R答案：A解析：網(wǎng)絡(luò)輸出(v,π)，其中v評(píng)估勝率，π提供先驗(yàn)概率，共同指導(dǎo)樹(shù)搜索。6.當(dāng)使用LoRA對(duì)大模型做參數(shù)高效微調(diào)時(shí)，可訓(xùn)練參數(shù)量通常約為原模型的A.0.1%–1%B.10%–20%C.50%D.100%答案：A解析：LoRA引入低秩分解矩陣，秩r常取4–64，可訓(xùn)練參數(shù)量級(jí)≈2×r×d_model，占比遠(yuǎn)小于1%。7.在DiffusionModel訓(xùn)練階段，網(wǎng)絡(luò)通常擬合的是A.原始圖像x?B.噪聲εC.均值μD.方差Σ答案：B解析：DDPM訓(xùn)練目標(biāo)為預(yù)測(cè)添加到x?的高斯噪聲ε，損失函數(shù)為MSE(ε_(tái)θ(x_t,t),ε)。8.下列關(guān)于VisionTransformer（ViT）的敘述，正確的是A.只能在ImageNet上訓(xùn)練，不能遷移B.patchembedding后不再使用位置編碼C.分類(lèi)頭采用CLStoken輸出D.必須使用卷積下采樣答案：C解析：ViT在序列前添加可學(xué)習(xí)的CLStoken，經(jīng)Transformer后取該token做分類(lèi)，位置編碼為絕對(duì)或二維正弦。9.在強(qiáng)化學(xué)習(xí)中，當(dāng)策略梯度算法引入基線(xiàn)（baseline）后，梯度方差A(yù).一定增大B.一定減小C.不變D.可能增大或減小答案：B解析：基線(xiàn)不改變梯度期望，但可減小方差，證明見(jiàn)Sutton教材PolicyGradientTheoremwithBaseline。10.若某卷積層輸入為32×32×64，采用64個(gè)3×3卷積核，padding=1，stride=2，則輸出尺寸為A.16×16×64B.15×15×64C.32×32×64D.64×64×64答案：A解析：O=(I+2PK)/S+1=(32+23)/2+1=16，通道數(shù)等于卷積核數(shù)64。11.在PyTorch中，以下代碼執(zhí)行后x.grad的值為```pythonx=torch.tensor(2.0,requires_grad=True)y=x3y.backward()```A.4B.6C.8D.12答案：D解析：dy/dx=3x2，x=2時(shí)導(dǎo)數(shù)為12，x.grad自動(dòng)累加該值。12.當(dāng)使用混合精度訓(xùn)練時(shí)，梯度縮放（GradientScaling）的主要目的是A.減小內(nèi)存占用B.避免下溢C.加速通信D.提高batchsize答案：B解析：float16梯度易下溢，縮放后回傳，更新前再反縮放，保持?jǐn)?shù)值穩(wěn)定。13.在GPT系列模型中，Decoderonly架構(gòu)利用的注意力掩碼為A.全1矩陣B.下三角矩陣C.上三角矩陣D.對(duì)角為0其余為1答案：B解析：自回歸生成需防止信息向右泄露，掩碼屏蔽未來(lái)位置，呈下三角。14.若某模型在ImageNet上Top1準(zhǔn)確率為76.1%，使用CutMix數(shù)據(jù)增強(qiáng)后，理論上最可能A.提升泛化，準(zhǔn)確率上升B.提升泛化，準(zhǔn)確率下降C.過(guò)擬合，準(zhǔn)確率上升D.無(wú)影響答案：A解析：CutMix通過(guò)混合圖像與標(biāo)簽，增加樣本多樣性，通常提升驗(yàn)證集準(zhǔn)確率。15.在知識(shí)蒸餾中，當(dāng)教師模型輸出為軟標(biāo)簽，溫度參數(shù)T→∞時(shí)，softmax輸出趨近A.onehotB.均勻分布C.高斯分布D.伯努利分布答案：B解析：T→∞使logits差異縮小，softmax輸出趨近均勻分布。16.下列關(guān)于RMSprop的表述，正確的是A.使用梯度一階動(dòng)量B.分母為梯度平方的指數(shù)移動(dòng)平均C.學(xué)習(xí)率隨時(shí)間線(xiàn)性下降D.需要手動(dòng)設(shè)置全局步長(zhǎng)答案：B解析：RMSprop用梯度平方的EMA調(diào)整學(xué)習(xí)率，不含一階動(dòng)量，與Adam不同。17.在NeRF神經(jīng)輻射場(chǎng)中，體渲染積分沿射線(xiàn)采樣點(diǎn)的顏色加權(quán)依據(jù)是A.僅透明度αB.僅顏色cC.透明度α與累積透射率TD.僅深度z答案：C解析：顏色貢獻(xiàn)為T(mén)(i)·α(i)·c(i)，T(i)表示射線(xiàn)到達(dá)該點(diǎn)的存活概率。18.當(dāng)使用A算法求解路徑規(guī)劃時(shí)，若啟發(fā)函數(shù)h(n)滿(mǎn)足h(n)≤h(n)，則稱(chēng)該啟發(fā)函數(shù)A.可采納B.一致C.松弛D.單調(diào)答案：A解析：可采納性即不高估實(shí)際代價(jià)，保證A找到最優(yōu)解。19.在對(duì)比學(xué)習(xí)SimCLR框架中，損失函數(shù)NTXent的“NT”指A.NormalizedTemperaturescaledB.NegativeTransferC.NeuralTangentD.NoiseTolerant答案：A解析：NTXent即歸一化溫度縮放交叉熵，溫度系數(shù)τ控制分布尖銳度。20.若某GPU顯存為24GB，混合精度訓(xùn)練下，使用DeepSpeedZeRO3可將模型參數(shù)上限提升至A.24GBB.48GBC.120GBD.無(wú)上限答案：C解析：ZeRO3將參數(shù)、梯度、優(yōu)化器狀態(tài)全分片，理論上可訓(xùn)練大于顯存5倍的模型，24GB×5≈120GB。二、多選題（每題3分，共30分。每題有兩個(gè)或兩個(gè)以上正確答案，多選、少選、錯(cuò)選均不得分）21.下列技術(shù)可有效緩解LLM推理時(shí)顯存占用的是A.KVCacheB.GradientCheckpointingC.FlashAttentionD.Int8WeightonlyQuantization答案：ACD解析：KVCache復(fù)用鍵值，F(xiàn)lashAttention重排計(jì)算減少峰值，Int8量化降低權(quán)重體積；Checkpointing用于訓(xùn)練而非推理。22.關(guān)于Diffusion與GAN的對(duì)比，正確的有A.Diffusion訓(xùn)練階段無(wú)需判別器B.GAN生成速度通?？煊贒DPMC.Diffusion可逆過(guò)程保證似然計(jì)算D.GAN模式坍塌風(fēng)險(xiǎn)低于Diffusion答案：ABC解析：Diffusion為最大似然訓(xùn)練，無(wú)判別器；需多步去噪，生成慢；DDPM可計(jì)算證據(jù)下界；GAN更易模式坍塌。23.在聯(lián)邦學(xué)習(xí)中，參與方可能面臨的攻擊包括A.模型投毒B.成員推理C.屬性推理D.梯度泄露答案：ABCD解析：投毒影響全局模型，成員/屬性推理從輸出反推數(shù)據(jù)，梯度泄露可重建輸入。24.下列屬于Transformer位置編碼方案的有A.絕對(duì)正弦B.相對(duì)位置偏置C.RoPE旋轉(zhuǎn)式D.ALiBi斜率偏置答案：ABCD解析：四種方案均被不同模型采用，ALiBi在BLOOM中表現(xiàn)優(yōu)異。25.當(dāng)使用PyTorchLightning時(shí)，其自動(dòng)支持的功能有A.多卡DDP訓(xùn)練B.混合精度C.檢查點(diǎn)保存D.超參搜索答案：ABC解析：Lightning封裝DDP、AMP、Checkpoint；超參搜索需集成Optuna等外部庫(kù)。26.在自動(dòng)駕駛感知系統(tǒng)中，多傳感器融合的優(yōu)點(diǎn)包括A.提升冗余度B.降低單一傳感器失效風(fēng)險(xiǎn)C.增加算法延遲D.擴(kuò)大感知范圍答案：ABD解析：融合不會(huì)必然增加延遲，合理設(shè)計(jì)可并行處理。27.下列關(guān)于NeRF變體的描述，正確的有A.InstantNGP采用多分辨率哈希編碼B.MipNerf解決抗鋸齒C.NeRF++處理無(wú)界場(chǎng)景D.PixelNeRF僅需一張輸入視圖答案：ABC解析：PixelNeRF需少量視圖，非嚴(yán)格單張；其余均正確。28.在模型壓縮技術(shù)中，屬于“訓(xùn)練后量化”P(pán)TQ的方法有A.動(dòng)態(tài)量化B.靜態(tài)量化C.QAT量化感知訓(xùn)練D.LLM.int8()答案：ABD解析：QAT需重訓(xùn)練，PTQ無(wú)需。29.下列指標(biāo)可用于評(píng)估生成模型多樣性的有A.InceptionScoreB.FIDC.LPIPSD.Precision與Recall答案：AD解析：IS與Recall反映多樣性，F(xiàn)ID側(cè)重真實(shí)分布距離，LPIPS為感知相似度。30.在RLHF（人類(lèi)反饋強(qiáng)化學(xué)習(xí)）中，獎(jiǎng)勵(lì)模型訓(xùn)練階段使用的損失函數(shù)可包含A.交叉熵B.排序損失C.均方誤差D.對(duì)比損失答案：BD解析：獎(jiǎng)勵(lì)模型通常采用BradleyTerry排序損失或?qū)Ρ葥p失，不直接回歸絕對(duì)分?jǐn)?shù)。三、判斷題（每題1分，共10分。正確打“√”，錯(cuò)誤打“×”）31.VisionTransformer的patchsize越小，模型參數(shù)一定越少。答案：×解析：patch越小則序列越長(zhǎng)，Transformer塊數(shù)不變情況下參數(shù)量不變，但計(jì)算量增大。32.在DDPM中，前向加噪過(guò)程q(x_t|x_{t1})被設(shè)計(jì)為馬爾可夫鏈。答案：√解析：DDPM前向過(guò)程為逐步添加高斯噪聲的馬爾可夫鏈。33.使用ReLU激活的神經(jīng)網(wǎng)絡(luò)，其損失曲面一定是凸的。答案：×解析：即使ReLU分段線(xiàn)性，多層復(fù)合后曲面非凸，存在多個(gè)局部極小。34.在聯(lián)邦學(xué)習(xí)中，F(xiàn)edProx通過(guò)添加近端項(xiàng)μ‖ww_k‖2可緩解客戶(hù)端漂移。答案：√解析：近端項(xiàng)限制本地更新遠(yuǎn)離全局模型，減小異構(gòu)性帶來(lái)的漂移。35.混合精度訓(xùn)練時(shí)，F(xiàn)P16可表示的數(shù)值范圍大于FP32。答案：×解析：FP16動(dòng)態(tài)范圍約10??–10?，F(xiàn)P32約10?3?–103?，后者更大。36.對(duì)比學(xué)習(xí)中的InfoNCE損失可看作多分類(lèi)交叉熵的特例。答案：√解析：InfoNCE將正樣本視為一類(lèi)，負(fù)樣本為其余類(lèi)，與溫度縮放交叉熵形式一致。37.在NeRF體渲染中，若某采樣點(diǎn)透明度α=0，則該點(diǎn)顏色對(duì)像素?zé)o貢獻(xiàn)。答案：√解析：α=0表示完全透射，顏色權(quán)重為0。38.GPT3的參數(shù)量大于GPT4。答案：×解析：GPT4公開(kāi)報(bào)告未給出確切值，但業(yè)界估計(jì)其參數(shù)量級(jí)高于GPT3的175B。39.使用GroupNorm時(shí)，batchsize大小對(duì)統(tǒng)計(jì)量無(wú)影響。答案：√解析：GroupNorm沿通道分組計(jì)算均值方差，與batch維無(wú)關(guān)。40.在目標(biāo)檢測(cè)中，YOLOv8的C2f模塊引入了Split與Concat操作，可視為跨階段部分連接。答案：√解析：C2f將特征拆分后跨階段融合，增強(qiáng)梯度流并減少計(jì)算。四、填空題（每空2分，共20分）41.在Transformer中，若隱藏維度d_model=512，注意力頭數(shù)h=8，則每個(gè)頭的維度為_(kāi)_____。答案：64解析：512/8=64。42.若學(xué)習(xí)率調(diào)度器為cosineannealing，初始lr=0.1，周期T=100，則第50步的lr為_(kāi)_____。答案：0.05解析：cosine下降曲線(xiàn)在T/2處為中間值0.05。43.在PyTorch中，將模型移至CUDA的函數(shù)調(diào)用為model.______()。答案：cuda解析：model.cuda()。44.若BatchNorm的γ初始化為0，則該層輸出恒為_(kāi)_____。答案：0解析：y=γ(xμ)/σ+β，γ=0則y=β，但β通常初始0，故輸出0。45.在A(yíng)算法中，若啟發(fā)函數(shù)h(n)=0，則算法退化為_(kāi)_____算法。答案：Dijkstra解析：h(n)=0即僅g(n)決定優(yōu)先級(jí)，等價(jià)Dijkstra。46.若使用INT8量化，權(quán)重由FP32→INT8，理論壓縮比為_(kāi)_____倍。答案：4解析：32/8=4。47.在SimCLR中，批量大小為N，則每張圖片的正樣本數(shù)為_(kāi)_____（不含自身）。答案：1解析：僅其增強(qiáng)視圖視為正樣本，其余2N2為負(fù)。48.若卷積層dilation=2，3×3核等效感受野為_(kāi)_____×______。答案：5×5解析：dilation=2在3×3核中間插入空洞，等效5×5。49.在BERT預(yù)訓(xùn)練中，MaskedLM的掩碼比例約為_(kāi)_____%。答案：15解析：原文掩碼15%token。50.若使用FSDP（FullyShardedDataParallel），則優(yōu)化器狀態(tài)被______到各GPU。答案：分片/shard解析：FSDP將參數(shù)、梯度、優(yōu)化器狀態(tài)全分片。五、簡(jiǎn)答題（每題10分，共30分）51.描述FlashAttention如何通過(guò)重排計(jì)算降低顯存峰值，并給出與傳統(tǒng)Attention的復(fù)雜度對(duì)比。答案：FlashAttention將Attention計(jì)算從O(N2)內(nèi)存降至O(N)分塊，核心思想為“onlinesoftmax”與“tiling”。傳統(tǒng)實(shí)現(xiàn)需物化N×N得分矩陣S與概率矩陣P，顯存O(N2)。FlashAttention將Q、K、V按塊加載到SRAM，逐塊計(jì)算softmax的歸一化因子，迭代更新輸出，無(wú)需存儲(chǔ)大矩陣；僅保存最終輸出O(N)與塊級(jí)中間變量。計(jì)算復(fù)雜度仍為O(N2)，但顯存峰值由O(N2)降至O(N)，使得長(zhǎng)序列訓(xùn)練可行。實(shí)驗(yàn)顯示在N=4K時(shí)顯存節(jié)省約7倍，速度提升2–4倍。52.解釋QLoRA如何在單卡48GBGPU上微調(diào)65B參數(shù)模型，并列出關(guān)鍵創(chuàng)新點(diǎn)。答案：QLoRA結(jié)合4bitNormalFloat（NF4）量化、雙重量化與LoRA微調(diào)。首先，NF4基于正態(tài)分布分位數(shù)量化權(quán)重到4bit，保持信息熵最優(yōu)；其次，雙重量化對(duì)4bit的量化常數(shù)再做8bit量化，節(jié)省0.4bit/參數(shù)；第三，使用分頁(yè)優(yōu)化器（pagedoptimizer）將優(yōu)化器狀態(tài)在CPU與GPU間換頁(yè)。65B模型參數(shù)占32.5GB（4bit），激活與KVcache占<10GB，LoRA低秩適配器僅約100M可訓(xùn)練參數(shù)，顯存峰值<45GB，故可在48GB單卡完成微調(diào)。關(guān)鍵創(chuàng)新：NF4數(shù)據(jù)類(lèi)型、雙重量化、分頁(yè)優(yōu)化器。53.對(duì)比分析Diffusion與GAN在文本生成圖像任務(wù)上的優(yōu)缺點(diǎn)，并給出實(shí)驗(yàn)證據(jù)。答案：Diffusion優(yōu)點(diǎn)：1.訓(xùn)練穩(wěn)定，無(wú)模式坍塌，F(xiàn)ID在MSCOCO30K上達(dá)8.1（StableDiffusionv2.1）；2.似然可計(jì)算，覆蓋多樣；3.易于引入條件（CLIP引導(dǎo)）。缺點(diǎn)：1.需多步（50步）去噪，生成慢，RTX4090上512×512圖約3s；2.對(duì)提示詞敏感，需精心調(diào)參。GAN優(yōu)點(diǎn)：1.單步生成，StyleGANT在512×512分辨率下10ms；2.潛在空間編輯成熟。缺點(diǎn)：1.模式坍塌，文本條件GAN在COCO上FID僅12–15；2.訓(xùn)練難，需精心設(shè)計(jì)判別器與正則化。文獻(xiàn)《OnDistillationofGuidedDiffusionModels》顯示，將Diffusion蒸餾為兩步網(wǎng)絡(luò)，生成時(shí)間降至0.2s，F(xiàn)ID