2026年人工智能基础与应用考试及答案

2026年人工智能基础与应用考试及答案一、单项选择题（每题2分，共20分）1.在深度学习中，若某卷积层输入尺寸为32×32×A.28×28  B.30×30  C.32×32  D.34×342.下列关于Transformer自注意力机制的说法正确的是A.计算复杂度与序列长度呈线性关系B.查询向量Q与键向量K的点积需先进行缩放再SoftmaxC.位置编码采用可学习的一维卷积核D.解码器掩码仅遮挡未来token，不遮挡填充token3.在联邦学习场景下，客户端上传的参数通常为A.原始训练数据  B.模型权重梯度  C.完整模型结构  D.损失函数值4.若某二分类任务采用FocalLoss，当正样本预测概率趋近1时，其损失值A.趋近0  B.趋近1  C.与γ无关  D.与α无关5.在强化学习中，采用Q-learning更新规则Q(A.2.24  B.2.36  C.2.48  D.2.606.下列关于DiffusionModel前向加噪过程描述正确的是A.每步添加的噪声方差随时间递减B.总步数T越大，最终分布越偏离标准正态C.任意时刻t的分布可解析表示为qD.反向去噪网络输入仅为x_t，不含时间步t7.在模型压缩技术中，属于“训练后量化”的是A.QAT  B.LSQ  C.PTQ  D.Dorefa8.若某推荐系统采用双塔结构，用户塔与物品塔输出向量维度均为64，批次大小为1024，则InfoNCE损失中负样本对的数量为A.1023  B.1024  C.64  D.19.在NeRF体渲染公式C(r)A.透射率  B.不透明度  C.反射率  D.折射率10.下列关于AI伦理治理原则错误的是A.公平性要求模型在不同群体上表现一致B.可解释性越高，模型性能必然下降C.隐私保护需兼顾数据可用性与个体权益D.鲁棒性指模型在分布偏移下性能稳定二、多项选择题（每题3分，共15分；多选少选均不得分）11.以下属于自监督预训练任务的有A.BERT的MaskedLanguageModelingB.SimCLR的对比学习C.GPT的自回归语言建模D.MoCo的动量对比学习12.关于GraphNeuralNetwork，下列说法正确的有A.GCN的层间传播可写成=B.GraphSAGE采用固定邻居全量聚合C.GAT通过注意力系数对邻居加权D.图池化操作可基于节点聚类或节点丢弃13.在分布式训练框架中，以下技术可用于减少通信开销A.GradientCompressionB.LocalSGDC.ZeRO-offloadD.PipelineParallelism14.关于AIGC文本生成可控性，可行的策略包括A.PromptEngineeringB.PrefixTuningC.PPO强化学习对齐D.直接修改词表概率分布15.下列关于神经网络初始化描述正确的有A.Xavier初始化适用于Sigmoid激活B.He初始化适用于ReLU激活C.初始化方差与fan-in、fan-out均无关D.正交初始化可缓解梯度消失三、填空题（每空2分，共20分）16.若某LSTM单元遗忘门输出为0，则上一时刻细胞状态对当前细胞状态的贡献权重为________。17.在YOLOv7中，ELAN模块通过________连接实现梯度流复用，从而提升特征复用效率。18.若采用Adam优化器，其二阶矩估计衰减系数β₂通常设为________。19.在语音合成WaveNet中，扩张卷积的扩张率按层指数增长，其感受野随层数呈________增长。20.若某ViT模型将输入图像切分为14×14的patches，图像原始分辨率为224×224，则每个patch的边长为________像素。21.在AlphaFold2中，Evoformer模块利用________注意力机制对MSA与配对表示进行联合更新。22.若某模型参数量为1.2×10⁹，采用FP16存储，则理论上权重文件大小约为________GB（保留1位小数）。23.在DiffusionModel采样阶段，DDIM可通过调节________参数实现确定性采样与加速。24.当使用混合精度训练时，LossScaling的主要目的是防止________下溢。25.在联邦学习安全聚合中，采用________加密可在服务器不获知单个客户端参数的前提下完成全局聚合。四、简答题（每题8分，共24分）26.阐述Transformer中“多头”机制的设计动机，并给出计算多头注意力时参数量与单头相比的倍数关系（假设嵌入维度为d，头数为h，忽略偏置）。27.对比知识蒸馏与模型剪枝在目标函数、训练流程、性能恢复三方面的差异，并指出二者可否联合使用。28.描述NeRF中位置编码（PositionalEncoding）的数学形式，并解释其为何能提升高频细节重建能力。五、计算与推导题（共21分）29.（10分）某卷积神经网络第l层特征图尺寸为H×W×(1)写出该层理论计算量（FLOPs）表达式；(2)若改为普通卷积，计算量扩大多少倍（用g表示）？30.（11分）给定强化学习MDP，状态空间S={s₁,s₂}，动作空间A={a₁,a₂}，折扣因子γ=0.9，转移与奖励如下：从s₁执行a₁：以概率0.8转移到s₁得奖励0，以概率0.2转移到s₂得奖励1；从s₁执行a₂：以概率1.0转移到s₂得奖励-1；从s₂执行任意动作：以概率1.0停留在s₂得奖励0。(1)写出Bellman最优方程组；(2)假设初始V(s₁)=0，V(s₂)=0，采用值迭代，求第2轮后V(s₁)的数值（保留3位小数）。六、综合应用题（共20分）31.某城市需构建实时交通流量预测系统，数据源包括：1)环路感应线圈每分钟采集的车速、流量；2)高德地图API返回的拥堵指数（5分钟粒度）；3)气象局提供的未来6小时天气预报（1小时粒度）。系统要求：预测未来15分钟、30分钟、60分钟三个粒度的平均通行时间，延迟<200ms，模型更新周期<30分钟。请给出：(1)数据预处理与对齐方案；(2)模型选型与结构设计理由；(3)在线推理与增量更新流程；(4)效果评估指标与基线选择；(5)潜在伦理风险与缓解措施。七、答案与解析一、单项选择题1.C 解析：输出尺寸=⌊⌋2.B 解析：缩放防止点积过大导致Softmax梯度消失。3.B 解析：联邦学习只上传梯度或权重，不上传原始数据。4.A 解析：FocalLoss中pt→1则(1-pt)^γ→0。5.C 解析：TD误差=5+0.9×4-2=6.6，更新后Q=2+0.1×6.6=2.66≈2.48（四舍五入保留两位）。6.C 解析：Diffusion前向分布有闭式解。7.C 解析：Post-TrainingQuantization无需重训练。8.A 解析：InfoNCE每个正样本对配1023个负样本。9.A 解析：T(t)表示光线从tn到t的累积透射率。10.B 解析：可解释性与性能并非绝对负相关，可通过新型结构兼顾。二、多项选择题11.ABCD12.ACD13.ABCD14.ABC15.ABD三、填空题16.017.跨层拼接（或concatenate）18.0.99919.指数20.1621.三角形22.2.423.η（或采样步长）24.梯度25.同态四、简答题26.多头机制通过将d维查询、键、值线性投影到h个低维子空间，允许模型同时关注不同表示子空间的信息，增强表达能力。参数量倍数：单头注意力参数为3d²，多头为h×3×(d/h)×d=3d²，二者相等，故倍数为1（但并行度提升）。27.知识蒸馏以软标签为监督，目标函数含软交叉熵与硬标签损失；剪枝目标函数常加稀疏正则。蒸馏需教师-学生联合训练，剪枝可在训练后magnitude剪枝或训练中逐步剪枝。性能恢复：蒸馏靠暗知识迁移，剪枝靠重训练或动态结构。二者可联合：先剪枝得小模型，再用蒸馏微调。28.位置编码：γ(五、计算与推导题29.(1)FLOPs=H×(2)普通卷积FLOPs=HW30.(1)=m=0(2)第1轮：V(s₂)=0；V(s₁)=max{0.8×0+0.2×1,-1}=0.2第2轮：V(s₁)=max{0.8×0.9×0.2+0.2×1,-1}=max{0.144+0.2,-1}=0.344六、综合应用题（要点）(1)时间对齐：将5分钟拥堵指数线性插值到1分钟；天气特征按小时前向填充再平滑；缺失值采用双向指数平滑。(2)选用时空图神经网络（ST-GCN）+门控时间卷积，理由：线圈数据天然成图，GCN捕获空间相关，门控TCN捕获多尺度时间依赖；预测头多任务输出三粒度。(3)推理：模