2025年全國計(jì)算機(jī)應(yīng)用水平考試(NIT人工智能應(yīng)用)考試題目及答案一、單項(xiàng)選擇題（每題1分，共30分）1.在PyTorch中，若需將張量x從CPU遷移到GPU，下列代碼正確的是A.x.cuda()B.x.to('gpu')C.x.device('cuda')D.x.gpu()答案：A解析：PyTorch使用.cuda()方法將張量遷移到默認(rèn)GPU；.to('cuda')亦可，但選項(xiàng)B、D語法錯(cuò)誤。2.使用Transformer訓(xùn)練中文GPT時(shí)，最合理的分詞粒度是A.按標(biāo)點(diǎn)切分B.按字節(jié)對(duì)編碼(BPE)C.按字切分D.按句子切分答案：B解析：BPE在中文上能平衡詞表規(guī)模與語義粒度，避免OOV，同時(shí)保留子詞級(jí)泛化能力。3.在聯(lián)邦學(xué)習(xí)場景下，為防止模型泄露用戶隱私，通常采用的技術(shù)是A.同態(tài)加密B.差分隱私C.梯度壓縮D.知識(shí)蒸餾答案：B解析：差分隱私在梯度上傳時(shí)加入噪聲，提供可量化的隱私保證；同態(tài)加密計(jì)算開銷大，蒸餾與壓縮不直接解決隱私。4.當(dāng)使用ResNet50做遷移學(xué)習(xí)時(shí)，若新數(shù)據(jù)集類別數(shù)由1000變?yōu)?0，應(yīng)修改的網(wǎng)絡(luò)層是A.所有BatchNormB.第一個(gè)卷積層C.全局平均池化層D.全連接層答案：D解析：僅最后一層全連接輸出維度需與類別數(shù)一致，其余層可凍結(jié)。5.在StableDiffusion推理階段，去噪步數(shù)從50減到20，最可能帶來的影響是A.圖像分辨率降低B.采樣速度加快，細(xì)節(jié)減少C.顯存占用線性增加D.提示詞權(quán)重失效答案：B解析：DDIM步數(shù)減少縮短采樣時(shí)間，但高階信息恢復(fù)不足，細(xì)節(jié)平滑。6.下列關(guān)于A搜索算法的描述，正確的是A.啟發(fā)函數(shù)h(n)允許大于真實(shí)代價(jià)B.若h(n)≡0，則退化為DijkstraC.必須滿足h(n)≤h(n)才能保證最優(yōu)D.擴(kuò)展節(jié)點(diǎn)數(shù)與h(n)無關(guān)答案：B解析：h(n)=0時(shí)僅g(n)起作用，即Dijkstra；可采納性要求h(n)≤h(n)，但B選項(xiàng)描述亦正確。7.在YOLOv8訓(xùn)練配置中，關(guān)閉mosaicaugmentation可能導(dǎo)致的后果是A.小目標(biāo)檢測AP下降B.學(xué)習(xí)率自動(dòng)降低C.批大小被迫減半D.損失函數(shù)變?yōu)镕ocalLoss答案：A解析：mosaic通過拼接四張圖增大小目標(biāo)出現(xiàn)頻率，關(guān)閉后小目標(biāo)樣本減少，AP下降。8.使用LoRA微調(diào)LLaMA7B時(shí)，若rank=16，則相比全參數(shù)量減少約A.10%B.1%C.0.1%D.0.01%答案：C解析：LoRA僅訓(xùn)練低秩矩陣，參數(shù)量≈2×r×d，7B模型中占比約0.1%。9.在深度強(qiáng)化學(xué)習(xí)PPO算法中，clip參數(shù)ε通常取0.2，若臨時(shí)改為0.5，則A.策略更新更保守B.策略更新更激進(jìn)C.價(jià)值網(wǎng)絡(luò)學(xué)習(xí)率同步提高D.熵系數(shù)自動(dòng)歸零答案：B解析：ε增大，剪切區(qū)間變寬，允許更大比率的概率比，更新步幅加大。10.在ONNXRuntime中設(shè)置graph_optimization_level=ORT_ENABLE_ALL，則A.關(guān)閉算子融合B.在CPU上禁用AVX512C.開啟常量折疊與節(jié)點(diǎn)融合D.模型精度強(qiáng)制FP16答案：C解析：ORT_ENABLE_ALL啟用常量折疊、算子融合等高層優(yōu)化，不強(qiáng)制精度轉(zhuǎn)換。11.使用Diffusers庫進(jìn)行DreamBooth訓(xùn)練時(shí)，prior_preservation_flag的作用是A.防止過擬合到提示詞B.保留原模型對(duì)先驗(yàn)類別的知識(shí)C.啟用EMA權(quán)重平滑D.開啟xformers加速答案：B解析：priorpreservation通過先驗(yàn)提示詞生成樣本，與定制樣本共同訓(xùn)練，避免災(zāi)難性遺忘。12.在TensorRT構(gòu)建引擎階段，若出現(xiàn)“ForeignNode”警告，最可能原因是A.插件缺失B.顯存不足C.批大小為1D.精度為INT8答案：A解析：TensorRT無法解析某些ONNX算子，需自定義插件。13.在VisionTransformer中，位置編碼采用2Dsincos，其最大優(yōu)勢是A.支持任意分辨率微調(diào)B.減少參數(shù)量50%C.消除注意力計(jì)算D.提高通道維利用率答案：A解析：2Dsincos可插值到任意分辨率，無需重新訓(xùn)練。14.使用DeepSpeedZeRO3時(shí)，optimizerstate被劃分到A.僅GPU0B.所有數(shù)據(jù)并行進(jìn)程C.CPUoffloadD.模型并行維度答案：B解析：ZeRO3將優(yōu)化器狀態(tài)、梯度、參數(shù)均分片到所有DP進(jìn)程。15.在HuggingFacetransformers中，設(shè)置torch_dtype=torch.float16主要影響A.詞表大小B.推理顯存占用C.注意力頭數(shù)D.最大長度限制答案：B解析：FP16權(quán)重減半，顯存占用下降約50%，與結(jié)構(gòu)無關(guān)。16.在CLIP模型中，溫度參數(shù)τ的作用是A.控制圖像分辨率B.縮放logits以調(diào)節(jié)對(duì)比學(xué)習(xí)難度C.決定是否使用GPT2D.設(shè)置學(xué)習(xí)率warmup答案：B解析：τ縮放余弦相似度，使對(duì)比分布更尖銳或更平滑。17.在AutoML領(lǐng)域，用于神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索的強(qiáng)化學(xué)習(xí)基線算法是A.DQNB.REINFORCEC.PPOD.A3C答案：C解析：ENAS、DARTS等采用PPO控制器生成子網(wǎng)絡(luò)。18.在StableDiffusion中，negative_prompt注入時(shí)機(jī)為A.在VAE編碼前B.在UNet去噪循環(huán)內(nèi)C.在CLIP文本編碼器后D.在SafetyChecker之后答案：C解析：negativeprompt與正提示詞共用文本編碼器，生成負(fù)向嵌入，用于引導(dǎo)。19.在模型蒸餾中，若學(xué)生模型僅學(xué)習(xí)教師logits的Top5，則損失函數(shù)稱為A.MSEB.KL散度C.TopKKLD.CosineLoss答案：C解析：TopKKL僅對(duì)最高K個(gè)概率計(jì)算散度，減少噪聲。20.在AI繪畫中，ClassifierFreeGuidance(CFG)scale=1時(shí)，等價(jià)于A.無條件生成B.僅條件生成C.隨機(jī)采樣D.模型崩潰答案：B解析：CFG=1時(shí)無條件分支權(quán)重為0，僅保留條件分支。21.在NLP數(shù)據(jù)并行訓(xùn)練時(shí)，若global_batch=1024，GPU=8，gradient_accumulation_steps=4，則per_device_batch_size=A.32B.16C.8D.64答案：A解析：1024/(8×4)=32。22.在Python中，使用pile(model,mode='maxautotune')時(shí)，后端默認(rèn)是A.TorchScriptB.InductorC.TVMD.XLA答案：B解析：PyTorch2.0默認(rèn)使用Inductor做Triton級(jí)融合。23.在AI芯片CambriconMLU370上，運(yùn)行INT8推理時(shí)，理論峰值算力提升約A.1倍B.2倍C.4倍D.8倍答案：C解析：INT8相比FP32數(shù)據(jù)位寬減少4倍，峰值乘加提升4倍。24.在模型部署階段，若出現(xiàn)“NaN”溢出，首先應(yīng)檢查A.學(xué)習(xí)率B.批歸一化參數(shù)C.權(quán)重初始化D.混合精度縮放因子答案：D解析：FP16下易出現(xiàn)梯度下溢，LossScaler未更新導(dǎo)致梯度NaN。25.在AI醫(yī)療影像分割任務(wù)中，評(píng)價(jià)指標(biāo)Dice=0.9，IoU≈A.0.81B.0.82C.0.83D.0.84答案：B解析：IoU=Dice/(2Dice)=0.9/1.1≈0.818。26.在強(qiáng)化學(xué)習(xí)AlphaGoZero中，MCTS搜索使用的神經(jīng)網(wǎng)絡(luò)輸出為A.策略+價(jià)值B.僅策略C.僅價(jià)值D.優(yōu)勢函數(shù)答案：A解析：網(wǎng)絡(luò)同時(shí)輸出先驗(yàn)概率p與狀態(tài)價(jià)值v。27.在AI芯片H100上，TransformerEngine自動(dòng)選擇FP8時(shí)，主要依據(jù)A.動(dòng)態(tài)損失縮放B.梯度累積步數(shù)C.批大小D.序列長度答案：A解析：FP8需動(dòng)態(tài)縮放避免溢出，TransformerEngine實(shí)時(shí)調(diào)整。28.在LangChain框架中，RetrievalQAchain默認(rèn)的chunk_size為A.1000B.2000C.500D.4000答案：A解析：LangChain默認(rèn)1000字符切分，兼顧召回與速度。29.在AI生成代碼模型CodeT5+中，填補(bǔ)中間(FIM)任務(wù)的哨符為A.<extra_id_0>B.<mask>C.<fim_prefix>D.<hole>答案：C解析：CodeT5+使用<fim_prefix>、<fim_middle>、<fim_suffix>格式。30.在AI繪畫中，使用karrasnoiseschedule相比linearschedule，其優(yōu)勢是A.收斂步數(shù)更少B.高階導(dǎo)數(shù)連續(xù)，減少偽影C.顯存占用減半D.支持文本反轉(zhuǎn)答案：B解析：karrasschedule基于ODE設(shè)計(jì)，高階連續(xù)，視覺偽影更少。二、多項(xiàng)選擇題（每題2分，共20分，多選少選均不得分）31.下列哪些技術(shù)可有效降低Transformer自注意力計(jì)算復(fù)雜度A.LinformerB.PerformerC.SparseTopkD.FlashAttention答案：ABCD解析：Linformer投影維度；Performer使用Fourier特征；SparseTopk選最高k分?jǐn)?shù)；FlashAttention通過分塊減少內(nèi)存讀寫。32.在StableDiffusionv2.0訓(xùn)練中使用LAION5B，下列哪些過濾策略被采用A.美學(xué)評(píng)分>4.5B.水印概率<0.5C.文本長度>5D.色情分類<0.1答案：ABD解析：官方過濾含美學(xué)、水印、NSFW；文本長度非硬性指標(biāo)。33.關(guān)于混合精度訓(xùn)練，下列說法正確的是A.維護(hù)FP32主權(quán)重B.損失縮放防止梯度下溢C.所有算子必須FP16D.BatchNorm可用FP16答案：ABD解析：現(xiàn)代框架允許BN用FP16，但關(guān)鍵歸約保持FP32。34.在AI大模型推理服務(wù)中，采用continuousbatching可帶來A.提高系統(tǒng)吞吐B.降低首token時(shí)延C.顯存碎片增加D.批大小動(dòng)態(tài)變化答案：ABD解析：continuousbatching按token級(jí)調(diào)度，吞吐提升，首token延遲下降，顯存碎片減少。35.下列屬于PromptEngineering原則的是A.指令清晰具體B.提供示例C.增加隨機(jī)種子D.使用角色扮演答案：ABD解析：隨機(jī)種子與提示質(zhì)量無關(guān)。36.在AI繪畫中，使用ControlNet時(shí)，下列哪些條件輸入被支持A.Canny邊緣B.OpenPose骨骼C.深度圖D.語義分割答案：ABCD解析：ControlNet提供多種條件編碼器。37.關(guān)于DiffusionModel加速采樣，下列方法有效的是A.DDIMB.DPMSolver++C.UniPCD.PLMS答案：ABCD解析：均為高階ODE/SDE求解器，減少步數(shù)。38.在AI芯片設(shè)計(jì)領(lǐng)域，下列哪些屬于存內(nèi)計(jì)算(PIM)技術(shù)A.HBMPIMB.ReRAM交叉陣列C.TPU脈動(dòng)陣列D.DRAMLogic融合答案：ABD解析：TPU為傳統(tǒng)脈動(dòng)陣列，非PIM。39.在AI模型版權(quán)保護(hù)中，下列哪些屬于模型水印技術(shù)A.權(quán)重?cái)_動(dòng)B.觸發(fā)集后門C.對(duì)抗樣本指紋D.數(shù)據(jù)集加密答案：ABC解析：數(shù)據(jù)集加密不直接嵌入模型。40.在AI倫理審查中，應(yīng)重點(diǎn)評(píng)估A.訓(xùn)練數(shù)據(jù)偏見B.能耗碳排C.推理速度D.可解釋性答案：ABD解析：推理速度屬性能指標(biāo)，非倫理核心。三、判斷題（每題1分，共10分，正確打“√”，錯(cuò)誤打“×”）41.VisionTransformer去掉位置編碼后仍能保持旋轉(zhuǎn)不變性。答案：×解析：ViT無歸納偏置，去掉位置編碼后性能大幅下降，不具備旋轉(zhuǎn)不變性。42.使用INT8量化時(shí)，權(quán)重零點(diǎn)必須對(duì)齊到網(wǎng)格中心。答案：×解析：零點(diǎn)可為任意int值，無需中心對(duì)齊。43.在PPO中，valueloss系數(shù)越大，策略更新越穩(wěn)定。答案：√解析：價(jià)值網(wǎng)絡(luò)更準(zhǔn)確，優(yōu)勢估計(jì)方差減小，策略梯度更穩(wěn)定。44.擴(kuò)散模型的反向過程可以看作逐漸去噪的馬爾可夫鏈。答案：√解析：DDPM定義q(xt1|xt)為馬爾可夫鏈。45.LoRA微調(diào)時(shí)，rank越大，可訓(xùn)練參數(shù)量指數(shù)增長。答案：×解析：線性增長，非指數(shù)。46.在AI繪畫中，CFGscale越高，圖像越偏離提示詞。答案：×解析：CFG越高，圖像越貼合提示詞，但過高會(huì)過飽和。47.FlashAttention支持任意長度序列無需分塊。答案：×解析：仍需分塊，但減少HBM讀寫。48.使用kfold交叉驗(yàn)證時(shí)，k越大，方差越小。答案：√解析：訓(xùn)練集比例增大，評(píng)估方差下降。49.在AI大模型中，RLHF階段使用獎(jiǎng)勵(lì)模型輸出標(biāo)量獎(jiǎng)勵(lì)。答案：√解析：獎(jiǎng)勵(lì)模型輸出標(biāo)量，用于PPO優(yōu)化。50.在Python中，torch.set_float32_matmul_precision('high')會(huì)強(qiáng)制使用TF32。答案：×解析：'high'允許TF32，但非強(qiáng)制；'medium'才默認(rèn)TF32。四、填空題（每空2分，共20分）51.在Transformer中，自注意力計(jì)算復(fù)雜度為________，其中n為序列長度。答案：O(n2d)52.若使用DeepSpeedZeRO2，則優(yōu)化器狀態(tài)被分片到________并行組。答案：數(shù)據(jù)53.在StableDiffusion中，VAE編碼下采樣倍率為________。答案：8×54.在AI繪畫中，DPMSolver++將采樣步數(shù)壓縮至________步仍保持高質(zhì)量。答案：2055.在Python中，使用torch.backends.cudnn.benchmark=True時(shí)，cuDNN會(huì)對(duì)________進(jìn)行自動(dòng)調(diào)優(yōu)。答案：卷積算法56.在AI模型量化中，對(duì)稱量化公式scale=max(|x|)/(2^(bit1)1)，若bit=8，則分母為________。答案：12757.在AI大模型訓(xùn)練中，MegatronLM采用________并行方式將Transformer層切分到不同GPU。答案：管道58.在PromptTuning中，可訓(xùn)練參數(shù)為________嵌入。答案：連續(xù)59.在AI推理服務(wù)中，________調(diào)度算法按請(qǐng)求到達(dá)順序合并動(dòng)態(tài)批。答案：continuousbatching60.在AI芯片H100中，F(xiàn)P8格式采用________位指數(shù)。答案：4五、簡答題（每題10分，共30分）61.描述DDIM與DPMSolver在擴(kuò)散模型采樣中的核心差異，并給出適用場景。答案：DDIM基于離散時(shí)間隱變量模型，通過非馬爾可夫推斷實(shí)現(xiàn)確定性采樣，支持跳步，適合快速生成低多樣性樣本；DPMSolver將擴(kuò)散ODE高階求解，利用指數(shù)積分器，在20步內(nèi)達(dá)到DDIM250步質(zhì)量，適合高質(zhì)量且步數(shù)極低的場景，如實(shí)時(shí)AI繪畫。解析：DDIM依賴線性噪聲調(diào)度，截?cái)嗾`差大；DPMSolver采用非線性高階誤差補(bǔ)償，數(shù)值穩(wěn)定性更好。62.解釋FlashAttention如何通過分塊降低HBM讀寫，并給出內(nèi)存復(fù)雜度公式。答案：FlashAttention將注意力矩陣按塊(tile)加載到SRAM，在片上完成softmax與注意力計(jì)算，避免實(shí)例化完整n×n矩陣。內(nèi)存復(fù)雜度由O(n2)降至O(n2/B)，其中B為塊大小，實(shí)際SRAM占用O(Bd)。解析：傳統(tǒng)注意力需寫回HBM，復(fù)雜度O(n2)；FlashAttention通過重計(jì)算softmax歸一化因子，無需存儲(chǔ)中間矩陣，顯著減少帶寬。63.闡述RLHF中獎(jiǎng)勵(lì)模型過擬合的危害，并提出兩種緩解策略。答案：獎(jiǎng)勵(lì)模型過擬合會(huì)導(dǎo)致PPO優(yōu)化階段利用獎(jiǎng)勵(lì)黑客，生成高分但不可讀文本，偏離人類偏好。策略一：在獎(jiǎng)勵(lì)模型訓(xùn)練時(shí)加入Dropout、L2正則及早停，降低容量；策略二：使用獎(jiǎng)勵(lì)模型集成，對(duì)多個(gè)checkpoint的獎(jiǎng)勵(lì)取平均，減少單模型偏差。解析：獎(jiǎng)勵(lì)模型為標(biāo)量回歸，易對(duì)訓(xùn)練提示詞過擬合；集成可平滑異常獎(jiǎng)勵(lì)，提升魯棒性。六、綜合應(yīng)用題（共40分）64.某團(tuán)隊(duì)欲在邊緣端Jets