2026年中国电信人工智能工程师技术笔试题集（含答案）

2026年中国电信人工智能工程师技术笔试题集（含答案）说明：本试题集贴合中国电信“云改数转智惠”战略及AI业务布局，涵盖人工智能基础、机器学习、深度学习、大模型应用、中国电信AI相关技术（息壤平台、星辰大模型等）、网络AI、AI安全等核心考点，题型适配笔试场景，答案详细解析，助力备考。一、单项选择题（共20题，每题2分，共40分）中国电信构建的“算力、平台、数据、模型、应用”五位一体智能云体系，其核心载体是（）

A.天翼云B.息壤一体化智算服务平台C.星辰大模型D.见微安全大模型

答案：B解析：中国电信打造息壤一体化智算服务平台，构建“算力、平台、数据、模型、应用”五位一体智能云体系，实现资源、框架、工具三重解耦，可调度算力达87EFLOPS。

下列关于机器学习中过拟合的说法，错误的是（）

A.过拟合是模型在训练集上表现好，在测试集上表现差

B.增加训练数据量可以有效缓解过拟合

C.正则化（L1、L2）可以抑制过拟合

D.过拟合的原因是模型复杂度低于数据复杂度

答案：D解析：过拟合的原因是模型复杂度高于数据复杂度，导致模型学习到训练数据中的噪声，无法泛化到新数据。

中国电信自主研发的星辰大模型体系，不涉及的领域是（）

A.语义识别B.语音识别C.视觉识别D.量子计算

答案：D解析：星辰大模型体系在语义、语音、视觉与多模态等领域形成领先优势，量子计算属于中国电信算力布局的一部分，并非星辰大模型的覆盖领域。

在深度学习中，CNN（卷积神经网络）的核心作用是（）

A.处理序列数据B.提取空间特征C.实现注意力机制D.加速模型训练

答案：B解析：CNN通过卷积操作提取图像等数据的空间特征，广泛应用于图像识别、目标检测等场景；处理序列数据常用RNN、Transformer；注意力机制是Transformer的核心；加速训练可通过GPU、优化器等实现。

中国电信推进“算电协同”，在上海建成的全球首个海底数据中心，其绿电应用比例超（）

A.85%B.90%C.95%D.98%

答案：C解析：中国电信在上海建成全球首个海底数据中心，由海上风电场直供绿电，绿电应用比例超95%，用电成本降低50%。

下列哪种优化算法不属于梯度下降类算法（）

A.SGDB.AdamC.RMSpropD.K-Means

答案：D解析：SGD、Adam、RMSprop均为梯度下降类优化算法，用于更新模型参数；K-Means是聚类算法，不属于梯度下降类。

中国电信发布的“见微”安全大模型，其核心作用是（）

A.提升算力调度效率B.保障AI模型安全C.优化网络传输速度D.实现多模态识别

答案：B解析：中国电信发布“见微”安全大模型，并开源了中国首款大模型基础安全护栏，核心作用是保障AI模型及相关应用的安全。

关于Transformer模型，下列说法正确的是（）

A.仅能处理文本数据B.核心是卷积操作C.依赖注意力机制D.训练速度比CNN快

答案：C解析：Transformer模型核心是自注意力机制，可处理文本、图像等多模态数据；核心并非卷积操作；训练速度受数据量、模型复杂度影响，不一定比CNN快。

中国电信智算数据中心总机架规模超（）

A.49万架B.59万架C.69万架D.79万架

答案：B解析：中国电信推进智算数据中心建设持续升级，数据中心总机架规模超59万架。

在分类任务中，下列哪种指标可以衡量模型对正负样本的区分能力（）

A.准确率（Accuracy）B.召回率（Recall）C.F1分数D.ROC曲线下面积（AUC）

答案：D解析：AUC曲线下面积可衡量模型对正负样本的区分能力，取值范围0-1，越接近1效果越好；准确率衡量整体预测准确性，召回率衡量正样本识别能力，F1分数是精确率和召回率的调和平均数。

中国电信在2025年建成的首个商用昇腾910C超节点智算集群，位于（）

A.上海B.广东C.北京D.浙江

答案：B解析：中国电信2025年在广东建了首个商用昇腾910C超节点智算集群，领先其他运营商4-5个月时间。

下列哪种模型不属于生成式AI模型（）

A.GPTB.StableDiffusionC.ResNetD.星辰大模型

答案：C解析：ResNet是卷积神经网络，用于图像分类等判别式任务；GPT、StableDiffusion、星辰大模型均属于生成式AI模型，可生成文本、图像等内容。

中国电信“天翼智屏”的核心定位是（）

A.家庭AI统一入口B.企业智算终端C.网络安全防护设备D.大模型训练终端

答案：A解析：“天翼智屏”重构了传统的“FTTR+IPTV”的家庭服务，成为家庭AI的统一入口，集成安全守护、健康关怀等全场景服务。

机器学习中，监督学习与无监督学习的核心区别是（）

A.监督学习需要标签，无监督学习不需要B.监督学习训练速度更快

C.无监督学习准确率更高D.监督学习只能处理分类任务

答案：A解析：监督学习需要带标签的训练数据，用于分类、回归等任务；无监督学习无需标签，用于聚类、降维等任务；两者的训练速度、准确率无固定高低，监督学习也可处理回归任务。

中国电信引入DeepSeekR1模型时，通过优化专家分配方式，将机器通讯效率提高了（）

A.4倍以上B.6倍以上C.8倍以上D.10倍以上

答案：C解析：中国电信在接入DeepSeekR1时，通过将经常激活的专家放在同一张卡或同一台机器，不经常联动的专家分开部署，使机器通讯效率提高8倍以上。

下列关于大模型量化的说法，正确的是（）

A.量化会提升模型精度B.量化会降低模型推理速度

C.量化可减少模型显存占用D.量化仅适用于文本大模型

答案：C解析：大模型量化通过降低参数精度（如FP32转INT8），减少显存占用和推理时延，提升推理速度，但可能会轻微降低模型精度；量化适用于文本、图像等各类大模型。

中国电信数据智能中台汇集的通信行业数据规模达（）

A.10万亿tokenB.20万亿tokenC.30万亿tokenD.50万亿token

答案：A解析：中国电信打造数据智能中台，汇集了10万亿token通信行业数据和14个行业超350TB的行业数据，赋能模型训练和应用。

在深度学习中，BatchNormalization的核心作用是（）

A.防止过拟合B.加速模型收敛C.减少模型参数D.增强模型泛化能力

答案：B解析：BatchNormalization通过对每一层的输入进行标准化处理，减少内部协变量偏移，从而加速模型收敛；防止过拟合常用正则化、dropout等；减少参数可通过剪枝等实现；增强泛化能力是多种技术的综合效果。

中国电信AI团队强调，AI落地的核心竞争力在于（）

A.模型研发能力B.数据处理能力C.算力规模D.政策支持

答案：B解析：中国电信AI团队认为，当前开源模型已足够成熟，AI落地的核心竞争力不在于模型本身，而在于数据处理能力，懂业务、能做好数据梳理，才能让AI产生实际效果。

下列哪种技术不属于中国电信“云网融合”的范畴（）

A.全光网B.算力互联网C.卫星网D.量子计算

答案：D解析：中国电信“云网融合”实现全光网、算力互联网、移动通信网和卫星网的立体化覆盖，量子计算属于算力布局的一部分，并非云网融合的直接范畴。

二、多项选择题（共10题，每题3分，共30分，多选、少选、错选均不得分）中国电信“五位一体”智能云体系，包含的层面有（）

A.算力B.平台C.数据D.模型E.应用

答案：ABCDE解析：中国电信打造“算力、平台、数据、模型、应用”五位一体的智能云体系，覆盖IaaS、PaaS、DaaS、MaaS、SaaS全层级。

下列属于中国电信AI产业化落地场景的有（）

A.农业病虫害识别B.教育阅卷辅助C.网络运营数字员工D.家庭AI服务E.工业制造模型赋能

答案：ABCDE解析：中国电信AI产业化落地涵盖农业（雄小农模型）、教育（阅卷辅助）、网络运营（数字员工）、家庭服务（天翼智屏）、工业制造等多个场景。

机器学习中，常用的特征工程方法有（）

A.特征归一化B.特征筛选C.特征交叉D.特征降维E.特征生成

答案：ABCDE解析：以上均为常用特征工程方法，特征归一化消除量纲影响，特征筛选剔除无关特征，特征交叉生成新特征，特征降维减少特征维度，特征生成通过算法构造新特征。

中国电信在算力布局方面，涵盖的算力类型有（）

A.通算B.智算C.超算D.量子计算E.边缘计算

答案：ABCD解析：中国电信在IaaS层，构建覆盖通算、智算、超算和量子计算的算力布局，实现立体化覆盖。

下列关于大模型微调的说法，正确的有（）

A.微调是在预训练大模型基础上，用少量领域数据进一步训练

B.微调可提升大模型在特定领域的适配性

C.微调不需要太多计算资源

D.中国电信星辰大模型支持领域微调

E.微调会改变大模型的核心结构

答案：ABD解析：微调是在预训练大模型基础上，用少量领域数据微调参数，提升特定领域适配性，不改变核心结构；微调需要一定计算资源；中国电信星辰大模型可根据行业需求进行微调，适配不同场景。

中国电信推进AI安全治理，采取的措施有（）

A.发布“见微”安全大模型B.开源大模型基础安全护栏C.构建AI安全体系D.加强数据安全防护E.规范模型应用审核

答案：ABCDE解析：中国电信重视AI安全治理，发布“见微”安全大模型，开源大模型基础安全护栏，构建覆盖模型、数据、应用等领域的安全体系，同时加强数据安全防护和模型应用审核。

深度学习中，常用的激活函数有（）

A.SigmoidB.ReLUC.TanhD.SoftmaxE.LeakyReLU

答案：ABCDE解析：以上均为常用激活函数，Sigmoid、Tanh用于二分类、特征映射，ReLU解决梯度消失问题，LeakyReLU优化ReLU的死亡神经元问题，Softmax用于多分类任务。中国电信“算电协同”的核心优势有（）

A.绿电应用比例高B.用电成本降低C.算力调度更高效D.数据中心能耗降低E.提升算力稳定性

答案：ABCDE解析：中国电信深化“算电协同”，如上海海底数据中心绿电应用比例超95%，用电成本降低50%，同时实现算力与电力的统筹调度，提升算力稳定性和调度效率，降低数据中心能耗。

下列属于无监督学习算法的有（）

A.K-MeansB.层次聚类C.PCAD.决策树E.关联规则挖掘

答案：ABCE解析：K-Means、层次聚类属于聚类算法，PCA属于降维算法，关联规则挖掘属于关联分析，均为无监督学习；决策树属于监督学习算法。

中国电信AI人才培养的方向有（）

A.培养高校AI专业毕业生B.开展内部技术人员AI培训C.引进外部AI高端人才D.提升员工模型优化能力E.强化员工业务与AI融合能力

答案：ABCDE解析：中国电信重视AI人才培养，一方面招聘高校毕业生并开展培训，另一方面对内部技术人员进行AI培训，提升其模型优化、业务与AI融合能力，同时引进外部高端AI人才，目标是培养200万-500万懂AI的工程师。

三、判断题（共10题，每题1分，共10分，对的打“√”，错的打“×”）中国电信天翼云是全球最大的运营商云服务商和中国最大的混合云服务提供商。（）

答案：√解析：中国电信天翼云已成为全球最大的运营商云服务商和中国最大的混合云服务提供商，并正在迈向智能云发展新阶段。

过拟合可以通过增加模型复杂度来解决。（）

答案：×解析：过拟合是模型复杂度过高导致，应通过降低模型复杂度、增加训练数据、正则化等方式解决。

中国电信星辰大模型体系仅用于内部运营，不对外提供服务。（）

答案：×解析：中国电信星辰大模型体系积极引入第三方基础大模型和各类行业大模型，对外提供模型选配、应用场景创新等服务，推进模型服务普惠。

CNN的卷积操作具有局部感受野和权值共享的特点。（）

答案：√解析：局部感受野使CNN能捕捉局部特征，权值共享减少模型参数，降低训练难度，是CNN的核心特点。

中国电信首个万卡池落地于2024年4月底。（）

答案：√解析：中国电信2023年8月底第一个千卡池搭起来，2024年4月底第一个万卡池落地。

Adam优化算法结合了SGD和RMSprop的优点，收敛速度更快。（）

答案：√解析：Adam优化算法融合了SGD的动量思想和RMSprop的自适应学习率思想，能加快模型收敛速度，提升训练效果。

中国电信“见微”安全大模型主要用于网络攻击检测，与AI模型安全无关。（）

答案：×解析：“见微”安全大模型核心用于保障AI模型安全，同时开源了中国首款大模型基础安全护栏，构建AI安全体系。

无监督学习不需要训练数据，直接对新数据进行预测。（）

答案：×解析：无监督学习需要训练数据，但训练数据无需标签，通过对无标签数据的学习，挖掘数据内在规律，再应用于新数据。中国电信在AI落地中，注重“脏活累活”，重点做好数据梳理工作。（）

答案：√解析：中国电信AI团队称自己为“泥腿子”，认为AI落地不是实验室工作，而是需要深入客户现场，做好数据梳理等基础工作，这也是其核心竞争优势之一。

大模型的参数量越大，模型效果越好，与数据质量无关。（）

答案：×解析：大模型效果不仅取决于参数量，还与数据质量、训练方法、微调策略等密切相关，数据质量是AI落地的核心要素之一。

四、简答题（共3题，每题5分，共15分）简述中国电信“云网融合”在人工智能发展中的核心作用。

答案：中国电信“云网融合”是AI发展的核心基础设施支撑，其核心作用体现在3点：①构建立体化网络覆盖（全光网、算力互联网、移动通信网、卫星网），实现毫秒入算，降低AI模型推理时延；②推动DC向AIDC转型升级，提供超强算力、超低时延、全域调度的一体化算网服务，为AI模型训练和推理提供坚实算力底座；③实现算力与网络的协同调度，结合“算电协同”，提升算力利用效率，降低AI基础设施能耗，支撑AI大规模应用落地。

简述机器学习中，正则化（L1、L2）的作用及两者的区别。

答案：作用：正则化通过在损失函数中加入正则项，抑制模型参数过大，减少模型复杂度，从而缓解过拟合，提升模型泛化能力。

区别：①L1正则化（L1范数）加入参数绝对值之和，会使部分参数变为0，实现特征选择，得到稀疏模型；②L2正则化（L2范数）加入参数平方和，不会使参数变为0，只会缩小参数值，避免参数过大，防止模型震荡，训练更稳定。结合中国电信业务，简述AI在网络运营中的应用场景及价值。

答案：应用场景及价值：①数字员工应用：基于网络大模型打造数字员工，完成重复性、基础性运营操作，降低装维人员上门修障次数，提升网络运营效率（如装维人员月均修障上门次数下降35%）；②网络故障预警与诊断：通过AI分析网络运行数据，提前预警故障，快速定位故障原因，缩短故障处置时间；③网络优化：利用AI算法优化网络资源分配，提升网络带宽利用率和传输稳定性，改善用户体验；④安全防护：通过AI安全模型（如见微大模型）检测网络异常行为，防范网络攻击，保障网络安全。

五、编程题（共1题，每题5分，共5分）题目：基于Python，实现一个简单的线性回归模型，用于预测中国电信智算算力调度需求（已知输入特征为“智算集群规模”，输出为“算力调度量”），要求包含数据预处理（归一化）、模型训练、预测及误差计算（均方误差MSE）。

答案：

importnumpyasnp

#1.模拟数据（智算集群规模：10-50，算力调度量：对应线性关系）

X=np.array([[10],[20],[30],[40],[50]],dtype=np.float32)#输入特征：智算集群规模

y=np.array([20,40,60,80,100],dtype=np.float32)#输出：算力调度量

#2.数据预处理（归一化，采用Min-Max归一化）

defmin_max_scaler(data):

min_val=np.min(data)

max_val=np.max(data)

return(data-min_val)/(max_val-min_val)

X_scaled=min_max_scaler(X)

y_scaled=min_max_scaler(y)

#3.定义线性回归模型（y=w*x+b）

classLinearRegression:

def__init__(self,learning_rate=0.01,epochs=1000):

self.w=None

self.b=None

self.lr=learning_rate

self.epochs=epochs

deffit(self,X,y):

n_samples,n_features=X.shape

self.w=np.zeros(n_features)

self.b=0.0

#梯度下降训练

for_inrange(self.epochs):

y_pred=np.d