2025年《人工智能》试卷A及答案

2025年《人工智能》试卷A及答案一、单项选择题（每题2分，共20分）1.以下哪项不属于多模态大模型的典型特征？A.支持文本、图像、视频等多类型输入B.采用统一的编码器-解码器架构C.仅通过单模态预训练完成参数初始化D.具备跨模态对齐与融合能力答案：C2.在强化学习中，若智能体在状态s采取动作a后转移至状态s'，获得即时奖励r，采用ε-贪心策略时，以下表述错误的是？A.ε表示探索概率，1-ε表示利用最优动作的概率B.当ε=0时，智能体完全依赖历史经验C.动作选择仅基于当前Q表的最大值D.探索有助于发现潜在更优策略答案：C3.关于大语言模型（LLM）的可解释性方法，以下属于后验解释技术的是？A.设计结构化提示（如思维链）引导模型显式推理B.分析注意力头的功能分布（如关键信息提取头）C.使用梯度类方法（如IntegratedGradients）计算输入token的重要性D.在模型架构中嵌入可解释模块（如知识图谱查询接口）答案：C4.联邦学习（FederatedLearning）中，“客户端漂移”问题主要指？A.不同客户端数据分布差异导致全局模型性能下降B.通信延迟引起的参数更新不同步C.恶意客户端上传毒化参数破坏全局模型D.本地训练轮次过多导致过拟合答案：A5.多智能体强化学习（MARL）中，“奖励稀疏”问题的典型解决方案不包括？A.设计辅助奖励（如势能函数引导的奖励塑造）B.采用课程学习逐步增加任务复杂度C.引入专家演示数据进行模仿学习D.减少智能体数量以降低状态空间复杂度答案：D6.知识图谱（KG）与大模型结合时，以下哪项不属于“知识增强”的常见方式？A.在预训练阶段注入KG三元组作为结构化知识B.微调时设计KG-aware提示（如“根据知识图谱，实体A和B的关系是___”）C.推理时通过检索模块动态查询KG补充外部知识D.直接将KG的邻接矩阵作为模型输入的一部分答案：D7.提供对抗网络（GAN）训练不稳定的主要原因是？A.提供器与判别器的优化目标存在对抗性B.损失函数采用交叉熵而非均方误差C.输入数据未进行标准化处理D.网络层数过深导致梯度消失答案：A8.以下哪项不属于AI伦理中的“可问责性”要求？A.模型决策过程可追溯B.明确算法设计者与使用者的责任边界C.确保不同群体的输出结果统计公平D.在错误决策时能定位责任主体答案：C9.在计算机视觉领域，视觉-语言模型（VLMs）的“跨模态对齐”主要解决的问题是？A.统一图像与文本的特征空间表示B.提高图像分类的准确率C.减少模型参数量以提升推理速度D.增强模型对遮挡物体的检测能力答案：A10.关于大模型的“涌现能力”，以下描述正确的是？A.仅在参数规模超过千亿级时才会出现B.指模型在训练阶段未显式学习，但在测试时突然表现出的能力（如逻辑推理）C.完全依赖于高质量标注数据的输入D.与模型架构设计无关，仅由参数量决定答案：B二、填空题（每空1分，共15分）1.大语言模型的注意力机制中，______（如RotaryPositionEmbedding）用于解决传统位置编码无法外推至更长序列的问题。答案：旋转位置编码2.多模态学习中，______（如CLIP的对比学习）通过最大化跨模态正样本对的相似性、最小化负样本对的相似性实现对齐。答案：对比损失3.强化学习的“延迟奖励”问题可通过______（如蒙特卡洛方法或时序差分学习）进行解决。答案：回报估计4.知识图谱的构建流程通常包括知识抽取、______、知识融合与知识推理四个阶段。答案：知识存储5.联邦学习按数据分布差异可分为横向（特征相同、样本不同）、纵向（样本相同、特征不同）和______（样本与特征均不同）三类。答案：联邦迁移学习6.提供式大模型的评估指标中，______（如BLEU、ROUGE）主要用于文本提供任务的表面匹配度评价，而______（如人类评估、基于大模型的评分）更关注语义合理性。答案：自动评估指标；人工/大模型评估7.多智能体强化学习中，______（如QMix、VDN）通过设计混合网络将个体Q值融合为全局Q值，解决部分可观测问题。答案：值函数分解方法8.AI伦理中的“隐私保护”技术包括联邦学习、______（如差分隐私）和安全多方计算等。答案：隐私增强技术9.计算机视觉中的“大视觉模型”通常采用______（如ViT、SwinTransformer）作为基础架构，替代传统卷积神经网络。答案：视觉Transformer10.大模型的“上下文学习（In-contextLearning）”能力依赖于______（如大量文本中隐含的模式学习），而非显式的参数更新。答案：预训练阶段的模式归纳三、简答题（每题8分，共40分）1.简述大模型微调（Fine-tuning）中“全参数微调”与“参数高效微调（如LoRA）”的核心差异及适用场景。答案：全参数微调需更新模型所有参数，计算成本高但能充分适应下游任务，适用于数据量充足、任务与预训练分布差异大的场景（如专业领域文本提供）。参数高效微调仅调整少量新增参数（如LoRA在注意力层插入低秩矩阵），显著降低计算与存储开销，适用于数据量有限或需要快速适配多个任务的场景（如小样本分类）。2.解释多模态学习中“跨模态对齐（Alignment）”与“跨模态融合（Fusion）”的区别，并举例说明。答案：对齐指将不同模态的特征映射到同一语义空间（如CLIP将图像与文本编码为可比较的向量），目标是建立模态间的语义对应关系（如图像“猫”与文本“cat”的向量相似）。融合指结合多模态信息提供新表征（如多模态Transformer同时处理图像像素与文本token），目标是利用多模态互补信息提升任务性能（如图文问答中同时分析图像内容与问题文本）。3.分析强化学习中“探索（Exploration）”与“利用（Exploitation）”的平衡策略及其对训练的影响。答案：探索指尝试新动作以发现潜在更优策略，利用指选择当前已知最优动作以最大化即时奖励。常见策略包括ε-贪心（固定概率探索）、玻尔兹曼探索（根据动作值的概率分布选择）、基于计数的探索（对罕见状态增加奖励）。平衡不当会导致：过度探索延长收敛时间，过度利用可能陷入局部最优。例如，在游戏AI训练中，初期需更多探索以覆盖状态空间，后期减少探索以稳定策略。4.讨论AI伦理中“公平性（Fairness）”的主要挑战及解决思路。答案：挑战包括：训练数据中的偏见（如性别、种族刻板印象）导致模型对不同群体输出歧视性结果；评估指标单一（如仅关注整体准确率）忽视群体差异；动态环境中数据分布变化可能引入新偏见。解决思路：数据层面（去偏采样、对抗性数据增强）；模型层面（公平性约束损失函数、群体公平性正则化）；评估层面（分群体指标评估、反事实测试）；如招聘AI需确保对不同性别/年龄群体的筛选准确率无显著差异。5.简述知识图谱在大模型中的三类典型应用场景，并说明其作用。答案：（1）知识增强预训练：将KG三元组（如“北京-首都-中国”）作为结构化知识注入模型，提升事实类问题回答的准确性；（2）动态知识检索：在推理时查询KG补充大模型未记忆的知识（如回答“量子计算机的发明者”时检索相关实体关系）；（3）可解释性支持：通过KG的实体关系链（如A→B→C）解释模型决策依据（如推荐“糖尿病用药”时关联“糖尿病-并发症-心血管疾病-药物X”）。四、计算题（每题10分，共20分）1.假设某Transformer模型的注意力头计算中，查询向量Q=[2,1,3]，键向量K=[1,2,4]，缩放因子为√d_k（d_k=3）。计算注意力分数，并说明其在多头注意力中的作用。答案：注意力分数计算为Q·K^T/√d_k=(2×1+1×2+3×4)/√3=(2+2+12)/1.732≈16/1.732≈9.24。注意力分数反映Q与各K的匹配程度，通过softmax后得到注意力权重，用于聚合值向量V的信息。多头注意力通过多个独立头学习不同子空间的注意力模式，增强模型对不同特征的捕捉能力。2.某BERT模型在预训练阶段处理句子“[CLS]猫坐在毯子[SEP]狗在跑[SEP]”，其中“毯子”被掩码为“[MASK]”。假设模型预测“毯子”的概率分布为：“床”0.1，“沙发”0.3，“毯子”0.5，“地板”0.1。计算该位置的MLM损失（交叉熵损失）。答案：交叉熵损失L=-log(p(正确词))=-log(0.5)≈0.693。预训练中，MLM损失通过最大化被掩码token的正确预测概率优化模型，使模型学习上下文相关的语义表征。五、综合题（15分）设计一个基于多模态大模型的“智能医疗辅助诊断系统”，需说明核心技术模块、关键挑战及解决方案。答案：核心技术模块：（1）多模态输入模块：支持结构化数据（如检验报告数值）、非结构化文本（如病历描述）、医学影像（如CT/MRI图像）的多源数据接入；（2）跨模态对齐与融合模块：采用多模态Transformer将不同模态数据编码至统一语义空间（如图像的视觉特征与文本的临床术语对齐），通过门控机制融合多模态信息；（3）诊断推理模块：结合大模型的逻辑推理能力与知识图谱（如疾病-症状-用药知识库），提供鉴别诊断建议；（4）可解释性输出模块：通过注意力可视化（如高亮影像中的病灶区域）、知识图谱关系链（如“发热→白细胞升高→细菌感染→推荐抗生素”）解释诊断依据。关键挑战及解决方案：（1）医疗数据隐私：采用联邦学习在医院本地训练模型，仅上传加密梯度；结合差分隐私对训练数据添加噪声，防止隐私泄露。（2）多模态数据异质性：设计模态特定的编码器（如图像用ResNet+ViT，文本用