2025年计算机技术与应用考试试卷及答案

2025年计算机技术与应用考试试卷及答案一、单项选择题（每题2分，共20分）1.2025年主流通用大语言模型（如GPT-5、文心大模型4.0）的典型参数量级为：A.10亿级B.100亿级C.千亿级D.万亿级2.以下哪项不属于量子计算的核心物理实现方案？A.超导量子比特B.离子阱C.光子量子比特D.冯·诺依曼架构3.边缘计算中，“边缘节点”的典型部署位置是：A.数据中心机房B.终端设备（如手机）C.运营商基站或企业本地服务器D.卫星通信中继站4.RISC-V架构的核心优势是：A.完全开源免费B.支持复杂指令集C.与x86架构完全兼容D.仅适用于移动端5.生成式AI（AIGC）中，“幻觉（Hallucination）”问题指的是：A.模型生成内容与训练数据完全一致B.模型生成无事实依据的错误信息C.模型对输入数据产生视觉错觉D.模型训练时出现梯度消失6.隐私计算中，“联邦学习”的主要目标是：A.在不共享原始数据的前提下联合训练模型B.加密所有训练数据后集中存储C.仅使用公开数据训练模型D.提高模型的计算速度7.2025年主流GPU（如NVIDIAH200）的主要架构升级方向是：A.提升单精度浮点运算（FP32）能力B.强化稀疏计算与Transformer优化C.降低晶体管密度以减少功耗D.完全替代CPU功能8.以下哪项属于“数字孪生”在智能制造中的典型应用？A.实时监控生产线温度B.基于历史数据预测设备故障C.在虚拟环境中模拟生产线调整后的运行效果D.统计产品合格率9.区块链技术中，“零知识证明（ZKP）”的核心作用是：A.提高区块链的交易吞吐量B.验证信息真实性而不泄露具体内容C.替代共识算法（如PoW）D.增强区块链的匿名性10.2025年，以下哪种技术最可能成为智能驾驶汽车的“最后一公里”决策核心？A.高精度地图B.多模态大模型（融合视觉、激光雷达、雷达数据）C.4G通信D.传统规则式决策算法二、填空题（每题2分，共20分）1.大语言模型的“上下文窗口”指模型能够处理的_________最大长度，2025年主流模型已支持_________级长度。2.量子计算中的“量子比特（Qubit）”可以同时处于_________和_________的叠加态。3.边缘计算的三层架构通常包括_________、边缘节点层和_________。4.RISC-V架构通过_________机制支持不同场景的扩展，其基础指令集包含_________条基本指令。5.生成式AI的“对齐（Alignment）”训练主要解决模型输出与_________的匹配问题，常用方法包括_________和人类反馈强化学习（RLHF）。6.隐私计算的三大核心技术路径是联邦学习、_________和_________。7.MLOps（机器学习运维）的关键环节包括模型开发、_________、_________和监控迭代。8.数字孪生系统的核心组成包括物理实体、_________、_________和交互接口。9.区块链的“分片（Sharding）”技术通过将网络划分为_________来提高_________。10.智能驾驶的“车路协同（V2X）”中，“V2I”指车辆与_________的通信，“V2N”指车辆与_________的通信。三、简答题（每题8分，共40分）1.简述大语言模型（LLM）的“微调（Fine-tuning）”与“提示工程（PromptEngineering）”的区别，并说明2025年主流微调技术（如LoRA、QLoRA）的优势。2.量子计算当前的主要瓶颈是什么？列举2025年可能实现的量子计算实际应用场景（至少3个）。3.边缘计算与云计算的协同模式有哪几种？说明“云边端一体化”在智慧城市中的具体应用（如交通管理）。4.生成式AI（AIGC）在内容创作领域（如文案、设计）的核心价值是什么？需解决哪些伦理与法律问题？5.对比x86、ARM、RISC-V三种处理器架构，分析RISC-V在物联网（IoT）设备中的适配优势。四、综合应用题（20分）某医院计划构建基于隐私计算的跨机构医疗数据联合分析平台，目标是在不共享原始病历的前提下，联合3家医院的糖尿病患者数据训练预测模型（需分析年龄、BMI、血糖值、用药史等特征与并发症的关系）。请设计该平台的技术方案，要求包含以下内容：（1）核心技术选型（如联邦学习类型、加密算法）；（2）数据预处理与特征对齐的具体步骤；（3）模型训练流程（包括参数交换与安全验证）；（4）模型评估与结果共享的合规性设计。答案一、单项选择题1.C（2025年主流大模型参数量已突破千亿级，部分专用模型达万亿级）2.D（冯·诺依曼是经典计算架构，非量子计算方案）3.C（边缘节点通常部署在靠近终端的本地服务器或基站，平衡延迟与算力）4.A（RISC-V完全开源，支持模块化扩展，不强制兼容其他架构）5.B（幻觉指模型生成无事实依据的错误内容，是AIGC的核心挑战）6.A（联邦学习通过本地训练、参数交换实现“数据可用不可见”）7.B（2025年GPU重点优化稀疏计算、Transformer架构，适配大模型推理）8.C（数字孪生的核心是虚拟环境模拟物理实体的全生命周期）9.B（零知识证明可在不泄露信息的情况下验证真实性，如区块链隐私交易）10.B（多模态大模型能融合多传感器数据，提升复杂场景决策能力）二、填空题1.连续文本；万词（或“10k”）2.0态；1态（或“基态；激发态”）3.终端设备层；云中心层4.模块化扩展；475.人类价值观；监督微调（SFT）6.安全多方计算（MPC）；可信执行环境（TEE）7.模型部署；模型监控8.虚拟模型；服务系统9.多个分片；交易处理效率（或“吞吐量”）10.基础设施（如信号灯）；网络（或“云端”）三、简答题1.区别：微调是通过少量特定任务数据调整模型参数，提升任务专用性；提示工程是通过设计输入文本引导模型输出，不修改模型参数。2025年主流微调技术优势：LoRA（低秩适配）仅训练少量可训练参数（如矩阵分解后的低秩矩阵），大幅降低计算与存储成本；QLoRA结合量化技术（如4位/8位量化），进一步减少内存占用，支持在消费级GPU上微调千亿模型。2.主要瓶颈：量子比特的相干时间短（易受噪声干扰）、纠错技术复杂、量子体积（QuantumVolume）不足。2025年应用场景：①化学分子模拟（如新药研发中的蛋白质折叠预测）；②金融投资组合优化（量子退火解决NP难问题）；③密码学攻击（如破解RSA加密的预研）。3.协同模式：①边缘预处理+云端深度计算（边缘过滤冗余数据，云端处理复杂任务）；②云端模型下发+边缘推理（如AI模型在云端训练后部署到边缘节点）；③云边协同训练（联邦学习中边缘与云端参数交互）。智慧城市交通管理：路口摄像头（端）实时采集车流数据，边缘节点（路口服务器）快速分析拥堵状态并调整信号灯；复杂预测（如区域车流趋势）上传云端，结合历史数据与天气等外部信息生成全局调度策略，再下发边缘节点执行。4.核心价值：提升内容生产效率（如自动生成广告文案、设计初稿）、降低创作门槛（非专业用户可生成高质量内容）、支持个性化（根据用户偏好定制内容）。伦理与法律问题：①版权争议（生成内容是否侵权训练数据中的版权作品）；②虚假信息（如伪造新闻、Deepfake视频）；③偏见传播（模型继承训练数据中的性别、种族偏见）；④数据隐私（训练数据可能包含个人敏感信息）。5.架构对比：x86（复杂指令集，性能强但闭源、授权费高）；ARM（精简指令集，低功耗但部分核心闭源）；RISC-V（完全开源、模块化、可定制）。IoT适配优势：①开源免费降低开发成本；②模块化设计可根据IoT设备需求（如低功耗、小面积）裁剪指令集；③支持RISC-V的轻量级操作系统（如Zephyr）适配低算力终端；④避免ARM/Intel的专利限制，适合物联网设备的多样化场景（如传感器、智能家居终端）。四、综合应用题技术方案设计：（1）核心技术选型：-联邦学习类型：选择横向联邦学习（3家医院数据特征相同，样本不同）；-加密算法：使用同态加密（如Paillier算法）保护梯度参数，结合安全多方计算（MPC）验证参数有效性；-可信执行环境（TEE）：在各医院服务器部署SGX/SEV等硬件隔离环境，防止本地数据泄露。（2）数据预处理与特征对齐：①数据清洗：各医院本地去除缺失值超过30%的记录，标准化年龄（分箱）、BMI（正态化）、血糖值（单位统一）等特征；②特征对齐：通过哈希映射统一用药史的编码（如“胰岛素”统一为Code001），使用隐私集合交集（PSI）技术在加密状态下确认共同特征（如排除仅某家医院存在的罕见特征）；③标签统一：并发症类型按ICD-11编码对齐，确保“糖尿病肾病”等标签定义一致。（3）模型训练流程：①初始化：云端服务器生成初始模型（如XGBoost或轻量级神经网络），参数加密后下发各医院；②本地训练：各医院在TEE中使用本地数据计算梯度，用同态加密对梯度加密后上传云端；③参数聚合：云端对加密梯度加权平均（权重根据各医院样本量分配），生成新模型参数，加密后返回各医院；④迭代优化：重复上述步骤直至模型收敛（损失函数低于阈值或达到最大迭代次数）；⑤安全验证：每次参数上传前，各医院通过MPC验证梯度的合理性（如梯度范围是否在正常区间），防止投毒攻击。（4）模型评估与合规性设计：①模型评估：各医院在本地保留20%测试数据，用最终模型预测并发症风险