2025年人工智能技术与应用考试试卷及答案

2025年人工智能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.在Transformer架构中，用于捕捉序列位置信息的核心组件是A.卷积核B.位置编码C.残差连接D.批归一化答案：B解析：Transformer完全摒弃RNN，用位置编码（PositionalEncoding）将token的绝对或相对位置信息注入词向量，使模型感知序列顺序。2.联邦学习框架下，参与方上传的参数通常是A.原始训练样本B.模型权重梯度C.测试集标签D.超配置字典答案：B解析：联邦学习遵循“数据不出本地”，仅上传加密后的梯度或权重，服务器聚合后再下发，保护隐私。3.下列哪种激活函数在x=0处不可微但工程上仍被广泛使用A.SigmoidB.TanhC.ReLUD.Swish答案：C解析：ReLU在0点左导数为0，右导数为1，严格来说不可微，但次梯度存在，实现简单且缓解梯度消失。4.在DiffusionModel训练阶段，网络通常需要预测A.原始图像x₀B.噪声εC.均值μD.方差σ²答案：B解析：DDPM等扩散模型令网络学习“当前步添加的噪声”，通过重参数技巧简化似然计算。5.自动驾驶感知模块中，将激光雷达点云投影至图像平面后常用的融合方式是A.EarlyfusionB.LatefusionC.CrossfusionD.Zerofusion答案：A解析：点云与像素在输入阶段拼接即Earlyfusion，可充分利用底层特征，但对对齐精度敏感。6.在AIGC文本生成里，Topp采样与Topk采样核心差异在于A.是否使用温度系数B.候选集大小是否动态C.是否引入随机种子D.是否调用VAE答案：B解析：Topk固定候选k个词，Topp按累积概率动态截断，更灵活控制多样性。7.当BERT输入长度超过512token时，工业界最经济的改进策略是A.直接截断B.使用Longformer稀疏注意力C.提升GPU显存D.改为Word2Vec答案：B解析：Longformer采用滑动窗口+全局注意力，显存线性增长，可处理上万token。8.在深度强化学习中，RainbowDQN整合了以下除哪项外的技术A.DoubleDQNB.DuelingNetworkC.PrioritizedReplayD.EvolutionStrategy答案：D解析：Rainbow组合了六项技巧，不包括进化策略，后者属于另一类黑箱优化。9.模型压缩技术中，可将32位浮点权重量化为4位整型而精度几乎不降的方法叫A.PosttrainingquantizationB.QATC.KL量化D.Huffman编码答案：B解析：QAT（QuantizationAwareTraining）在训练阶段模拟量化噪声，使模型适应低比特。10.当使用VisionTransformer做目标检测时，为保持高分辨率特征图，通常引入A.FPNB.ShiftedWindowC.DeformableAttentionD.RoIAlign答案：C解析：DeformableDETR通过可变形注意力只采样少量关键位置，降低高分辨率计算复杂度。二、多项选择题（每题3分，共15分）11.以下属于PromptEngineering有效技巧的有A.ChainofThoughtB.Fewshot示范C.增加模型层数D.角色扮演设定答案：A、B、D解析：Prompt不改变模型结构，C属于模型侧改动；A、B、D均通过文本提示激发能力。12.关于StableDiffusion，下列说法正确的有A.潜在空间维度通常远小于像素空间B.训练时使用VAE编码器C.采样必须采用DDIMD.支持文本条件输入答案：A、B、D解析：C错误，也可使用DDPM、DPMSolver等；A、B、D均为官方实现特征。13.在自动驾驶仿真平台Carla中，可同步输出的传感器数据有A.RGB摄像头B.语义分割图C.激光雷达点云D.CAN总线油耗答案：A、B、C解析：Carla提供理想化传感器流，不包括真实油耗；A、B、C均支持。14.以下对GPT4技术描述属实的是A.采用MoE架构B.支持视觉输入C.完全开源权重D.上下文长度可达32ktoken答案：A、B、D解析：C错误，OpenAI未开源；A、B、D已由官方技术报告或接口披露。15.关于AI伦理治理，欧盟《AIAct》草案中列为“高风险”场景的有A.生物识别系统B.教育评分C.垃圾邮件过滤D.自动驾驶答案：A、B、D解析：垃圾邮件过滤属有限风险，A、B、D需严格合规审查。三、判断题（每题1分，共10分）16.VisionTransformer的PatchEmbedding层可用1×1卷积等价实现。答案：√解析：1×1卷积与线性投影数学等价，均可将H×W×3映射为(HW/patch²)×embed_dim。17.联邦学习中，服务器采用FedAvg聚合时，各客户端必须拥有相同大小的本地数据集。答案：×解析：FedAvg按样本数加权平均，无需各客户端数据量相等。18.在深度强化学习中，使用PER（优先经验回放）一定导致训练速度变慢。答案：×解析：PER以少量计算换更高采样效率，往往加速收敛。19.扩散模型的ELBO目标与VAE的ELBO在数学形式上完全一致。答案：×解析：两者均用变分下界，但扩散模型需对T个时间步求和，形式更复杂。20.自动驾驶高精地图的绝对坐标精度通常要求≤10cm。答案：√解析：L4级自动驾驶定位与地图匹配需厘米级精度，10cm为行业通用上限。21.使用LoRA微调大模型时，可训练参数量一定低于原模型1%。答案：√解析：LoRA引入低秩矩阵，秩r常取4~64，显存与计算量均远小于原模型。22.在文本生成中，重复惩罚（repetitionpenalty）系数越大越容易出现“胡言乱语”。答案：√解析：过度惩罚导致模型避开高频词，可能输出不合语法文本。23.神经架构搜索（NAS）只能在GPU集群上完成，无法在边缘芯片运行。答案：×解析：搜索阶段可在云端，搜索得到的轻量模型完全可部署于边缘。24.多模态模型CLIP的图像编码器与文本编码器共享参数。答案：×解析：CLIP采用双塔结构，两路网络参数独立，仅通过对比学习对齐。25.在Python中，torch.cuda.amp自动混合精度训练可提升推理速度但一定降低精度。答案：×解析：AMP利用FP16加速，同时维护FP32主副本，精度损失通常<0.1%。四、填空题（每空2分，共20分）26.在自监督学习中，SimSiam通过________分支避免模型崩溃，无需负样本。答案：StopGradient解析：StopGradient切断一路梯度，防止表示塌缩到常数。27.扩散模型DDPM的前向过程是一个________过程，可直接采样得到任意t时刻的x_t。答案：马尔可夫加噪解析：q(x_t|x_{t1})仅依赖前一状态，故可一次性从x₀采样至x_t。28.在VisionTransformer中，若输入图像224×224，Patch大小为16，则序列长度为________。答案：196解析：(224/16)²=14²=196。29.自动驾驶感知任务中，mAP@0.5指标里的0.5指________阈值。答案：IoU解析：IoU≥0.5的预测框才被视作为真正例。30.使用混合专家（MoE）模型时，GateNetwork的作用是________。答案：为每个token选择Topk专家并给出权重解析：Gate输出稀疏权重，实现条件计算，扩大模型容量。31.在PromptTuning中，可训练参数仅为________向量。答案：Softprompt或Continuousprompt解析：冻结大模型，只优化输入前添加的连续向量。32.神经网络剪枝算法SNIP的核心思想是在________阶段评估连接重要性。答案：初始化解析：SNIP利用初始化时的梯度与权重乘积估计参数敏感度。33.在AI芯片上，TensorCore计算8×4与4×8矩阵乘得到的输出形状为________。答案：8×8解析：矩阵乘法维度规则：(m×k)·(k×n)=m×n。34.使用PyTorch时，函数torch.nn.functional.scaled_dot_product_attention在CUDA后端默认调用________内核。答案：FlashAttention解析：PyTorch2.0起集成FlashAttention，降低显存复杂度至O(n)。35.在RLHF（人类反馈强化学习）中，用于拟合人类偏好的模型称为________模型。答案：RewardModel解析：RewardModel输出标量奖励，供PPO等算法优化策略。五、简答题（每题8分，共24分）36.描述扩散模型中ClassifierFreeGuidance的动机与实现步骤，并给出公式说明其如何平衡生成质量与多样性。答案：动机：单纯条件扩散模型往往依赖预训练分类器，推理阶段需额外计算分类器梯度，流程繁琐且分类器质量决定上限。ClassifierFreeGuidance（CFG）通过联合训练条件与无条件模型，省去分类器。步骤：1)训练时以概率p随机将条件c置为空∅，使网络同时学习ε_θ(x_t,c)与ε_θ(x_t,∅)。2)推理时预测噪声改写为ε̂=ε_θ(x_t,∅)+w·(ε_θ(x_t,c)−ε_θ(x_t,∅))其中w为引导尺度。3)用ε̂执行去噪更新。平衡机制：w>1增强条件信号，提高生成质量；w过大则多样性下降，经验值7~10最佳。公式显示CFG通过外推条件与无条件差值，动态调整引导强度。37.解释自动驾驶系统中“时空同步”概念，并给出多传感器硬件层面两种实现方案。答案：时空同步指将不同传感器采集的数据统一到同一时刻与同一坐标系，避免感知融合出现鬼影或错位。硬件方案：1)PTP（PrecisionTimeProtocol）以太网授时：车载交换机作为主时钟，激光雷达、相机、IMU等终端通过PTP协议同步至微秒级，再于数据帧头打入时间戳。2)GPS+PPS脉冲：以GPS的1PPS（每秒脉冲）为基准，触发相机曝光与激光雷达旋转电机，实现硬触发同步；同时GPS提供UTC时间，软件层按最小时间差对齐。两种方案均需在标定阶段记录外参，将多传感器数据转换至车体中心坐标系，完成空间同步。38.对比全量微调、LoRA、AdaLoRA三者在参数量、显存占用、训练速度上的差异，并指出AdaLoRA如何解决LoRA的局限。答案：全量微调：参数量=100%模型，显存占用最大，需保存权重、梯度、优化器状态；训练速度最慢。LoRA：引入低秩分解ΔW=BA，参数量≈2×r×d，显存下降30~50%，速度提升1.5~2倍；但秩r固定，无法动态调整。AdaLoRA：在LoRA基础上增加重要性指标（如奇异值或梯度模），训练过程中自动剪枝低重要性秩，动态分配参数预算；参数量进一步减少10~30%，显存再降，且精度与全量微调持平。局限解决：通过自适应秩选择，避免手工调秩，提升参数效率与最终性能。六、计算与推导题（共21分）39.（10分）给定一个两层的MLP，输入维度d₀=512，隐藏层d₁=1024，输出维度d₂=10，采用ReLU激活。若使用FP16训练，求：(1)理论峰值显存占用（含权重、梯度、优化器动量、激活值），假设批大小B=128，序列长度1，采用AdamW。(2)若引入GradientCheckpointing，激活值显存降为多少？答案：(1)权重：W₁=512×1024=0.5M，W₂=1024×10=0.01M，总计0.51M参数，FP16占2Byte，参数显存=0.51M×2≈1.02MB。梯度同量，1.02MB。AdamW保存一阶和二阶动量，各FP32，4Byte，共2×0.51M×4≈4.08MB。激活值：Layer1输出=B×d₁=128×1024=131k，FP16占262kB；Layer2输入同131kB；反向需保存ReLUmask，位图131k，≈16kB；总计≈262+131+16≈409kB≈0.41MB。峰值显存=1.02+1.02+4.08+0.41≈6.53MB。(2)GradientCheckpointing不保存中间激活，只保存输入x，需重计算前向。激活值显存降为仅x与当前层输出，即128×512×2≈0.13MB。40.（11分）在扩散模型DDPM中，已知加噪公式q(x_t|x₀)=N(x_t;√ᾱ_tx₀,(1−ᾱ_t)I)若