2026年人工智能质量管控基础考试题库及解析

2026年人工智能质量管控基础考试题库及解析一、单项选择题（每题2分，共20分）1.在人工智能质量管控体系中，下列哪项最能直接反映模型“可解释性”的量化指标？A.F1-scoreB.SHAP值全局一致性C.AUC-ROCD.训练集准确率2.当使用对抗样本检测作为质量门控环节时，其核心评价指标是：A.对抗扰动的L∞范数上限B.模型参数量C.训练耗时D.测试集交叉熵损失3.在持续集成流水线中，对深度学习模型进行“模型漂移”监控，通常采用的统计量不包括：A.PopulationStabilityIndex（PSI）B.Jensen-Shannon散度C.特征重要度排序的Kendallτ系数D.权重矩阵的Frobenius范数4.针对文本生成类AI，下列哪项技术最适合在质量门控阶段自动发现“幻觉”事实错误？A.BLEUB.BERTScoreC.知识图谱对齐+实体链接验证D.ROUGE-L5.联邦学习场景下，参与方上传的模型梯度若需满足(ε,δ)-差分隐私，则质量管控侧必须验证：A.梯度范数是否小于裁剪阈值CB.噪声尺度σ与隐私预算ε的关系满足σ≥2C√(2ln(1.25/δ))/εC.本地epoch数是否大于10D.学习率是否单调递减6.在计算机视觉质检系统中，若出现“良品过杀”现象，优先调整：A.置信度阈值向上B.置信度阈值向下C.增大BatchSizeD.减小学习率7.对于时序异常检测模型，采用“动态阈值”而非固定阈值的主要质量收益是：A.降低延迟B.提升对季节性波动的鲁棒性C.减少GPU显存占用D.加快推理速度8.在A/B测试阶段，发现实验组模型在95%置信水平下显著优于对照组，但后续线上效果回退，最可能违反的质量假设是：A.独立同分布B.特征无多重共线性C.损失函数凸性D.梯度有界9.对大规模推荐模型进行“公平性”审计时，若定义“机会均等”指标，需比较：A.不同敏感组的真正率TPRB.不同敏感组的假正率FPRC.不同敏感组的预测均值D.不同敏感组的AUC10.在质量管控文档化要求中，ISO/IEC23053:2022提出的“AI系统生命周期”阶段不包括：A.需求定义B.数据获取C.模型蒸馏D.退役与处置二、多项选择题（每题3分，共15分；多选少选均不得分）11.以下哪些做法可有效降低NLP模型在性别职业关联上的刻板印象风险？A.反事实数据增强C.词向量去偏D.后处理阈值调整E.增加训练步长12.在医疗影像AI的临床部署质量门控中，必须提交的验证报告包含：A.多中心外部验证集结果B.影像采集协议版本C.模型可解释性可视化样例D.医生使用培训记录E.服务器机房温湿度日志13.关于模型压缩后的质量保持，下列说法正确的是：A.知识蒸馏通常提升小模型在分布外数据上的鲁棒性B.剪枝后需重新校准BatchNorm的runningmean/varC.INT8量化若采用对称量化，则权重零点z=0D.权重共享可降低峰值显存但可能增加推理延迟E.低秩分解适合RNN却不适于Transformer14.以下哪些指标可直接用于监控“数据质量”下降？A.特征缺失率B.特征取值分布的KS统计量C.特征间皮尔逊相关系数矩阵的F范数变化D.训练损失E.标签噪声率估计15.在强化学习策略的质量评估中，为了验证策略在真实环境的“安全约束”满足度，可采用：A.约束策略优化（CPO）B.安全层（SafetyLayer）C.蒙特卡洛树搜索+约束回溯D.随机网络蒸馏（RND）E.优势估计器GAE三、判断题（每题1分，共10分；正确打“√”，错误打“×”）16.模型卡片（ModelCard）中必须披露训练数据的地理分布信息。17.在联邦学习中，SecureAggregation协议可以完全消除模型投毒攻击。18.对于回归模型，使用MAPE作为指标时，若真实值含0，则指标一定失效。19.采用EarlyStopping的模型，其训练集损失一定高于验证集损失。20.在图像分类任务中，Mixup数据增强可以同时提升鲁棒性与校准度。21.若某深度学习模型通过TensorRTFP16量化，则其权重位宽一定是16bit。22.对BERT模型进行动态量化后，推理阶段Embedding层仍保持FP32精度。23.在质量审计中，若发现模型存在“可预见的误用”，责任方无需在文档中说明。24.使用Shapley值计算特征重要度时，其计算复杂度随特征维度指数增长。25.在AutoML流水线中，加入“数据漂移检测”节点会降低最终模型在i.i.d.测试集上的准确率。四、填空题（每空2分，共20分）26.在模型监控阶段，若某特征x的PSI值连续7天大于________，则触发数据漂移告警。27.对于二分类模型，若正负样本比为1:99，采用Macro-F1相比Weighted-F1更能反映________类的性能。28.在差分隐私的MomentsAccountant方法中，隐私预算ε随训练步数T呈________增长。29.对3×3卷积核进行WinogradF(4×4,3×3)变换后，乘法次数从9降至________。30.使用LabelSmoothing时，若原始标签为1，平滑参数ε=0.1，则目标分布变为________。31.在模型可解释性中，IntegratedGradients需对输入x沿直线路径从________点到x积分。32.对于Transformer，注意力矩阵A的稀疏化若采用Top-k选择，则k过大会导致________问题。33.在质量门控脚本中，若要求模型推理延迟P99<30ms，则使用的统计量是________百分位数。34.联邦学习客户端上传的模型梯度若采用________压缩，可在理论上保证收敛且通信量降50%。35.当采用TTA（TestTimeAugmentation）时，最终预测为多次增强预测的________融合。五、简答题（每题8分，共24分）36.简述“概念漂移”与“数据漂移”的区别，并给出在推荐系统场景中各一个检测方法。37.说明在医疗AI软件中如何设计“人机协同”质量回环，确保模型更新不降低临床安全性。38.列举三种模型“校准度”评价指标，并说明在置信度阈值动态调整场景下如何选择最优指标。六、计算题（共11分）39.某图像分类模型在测试集上结果如下：|类别|TP|FP|FN|TN||A|80|20|30|270||B|60|40|10|290|(1)计算Macro-averageF1（保留3位小数）。（5分）(2)若将类别A的置信度阈值从0.5提升到0.7，导致TP减少5，FP减少15，FN增加5，TN增加15，求新的类别A的F1，并说明阈值提升对Macro-F1的影响方向（无需重算B类）。（6分）七、案例分析题（共20分）40.某电商平台的“智能客服”意图分类模型上线后，用户投诉“答非所问”比例从1%升至3%。质量团队怀疑是近30天促销活动导致用户问法变化。现有数据：a)近30天日志100万条，已标注5万条；b)旧模型在旧测试集Acc=95%，在新日志上Acc=88%；c)新日志与旧训练集之间的JS散度=0.042；d)意图类别共128类，其中“优惠券咨询”类占比由5%升至20%。请回答：(1)给出一条可落地的数据漂移监控规则（含指标、阈值、动作）。（6分）(2)设计一个“增量学习+回滚”策略，确保模型更新后线上Acc不低于93%，要求说明触发条件、数据采样比例、验证方法。（8分）(3)若需对外出具质量报告，列出三项必须量化披露的风险指标，并说明如何计算。（6分）卷后答案与解析一、单项选择题1.B解析：SHAP值全局一致性直接度量特征对输出的贡献可解释性。2.A解析：对抗扰动上限是检测能否被攻击的量化指标。3.D解析：Frobenius范数反映权重变化，不直接度量漂移。4.C解析：知识图谱对齐可核查事实。5.B解析：差分隐私高斯机制公式。6.A解析：提高阈值减少误报，降低过杀。7.B解析：动态阈值适应季节性。8.A解析：线上分布与实验不一致违反i.i.d.。9.A解析：机会均等要求TPR相等。10.C解析：蒸馏非生命周期阶段。二、多项选择题11.ABCD解析：增加步长反而放大偏见。12.ABCD解析：温湿度日志非强制。13.BC解析：A不一定，D可能增延迟，E错误。14.ABCE解析：训练损失不直接反映数据质量。15.ABC解析：RND用于探索，GAE用于方差缩减。三、判断题16√17×18√19×20√21×22√23×24√25×四、填空题26.0.2527.少数28.O(√T)29.430.[0.1,0.9]31.基线（或“零”）32.内存与计算开销增大33.9934.Top-k或量化35.平均或投票五、简答题36.概念漂移指P(y|X)变化，数据漂移指P(X)变化。推荐系统可用“用户行为序列聚类中心偏移”检测概念漂移；用“特征分布KS统计量”检测数据漂移。37.设计三重回环：1.医生实时反馈入口；2.每周抽样200例由专家标注，计算F1与严重漏诊率；3.若F1下降>2%或漏诊率>0.5%，触发自动回滚；更新前在影子环境运行72小时，验证安全性指标无显著劣化。38.指标：ECE（ExpectedCalibrationError）、MCE（MaximumCalibrationError）、可靠性曲线斜率偏差。动态阈值场景选ECE，因其整体衡量全局校准，适合阈值滑动窗口。六、计算题39.(1)类别A：P=80/(80+20)=0.800，R=80/(80+30)=0.727，F1=2PR/(P+R)=0.762类别B：P=60/(60+40)=0.600，R=60/(60+10)=0.857，F1=0.706Macro-F1=(0.762+0.706)/2=0.734(2)新A：TP=75，FP=5，FN=35，P=75/80=0.9375，R=75/110=0.682，F1=2×0.9375×0.682/(0.9375+0.682)=0.790新Macro-F1=(0.790+0.706)/2=0.748，比原0.734提高，故阈值提升使Macro-F1上升。七、案例分析题40.(1)规则：每日计算128类意图的JS散度，与旧训练集比较，若连续3天JS>0.04且“优惠券咨询”占比变化>10%，自动触发数据漂移告警，并启动增量标注任务，采样比例=漂移量×0.5。(2)策略：触发：连续3天线上Acc<93%或JS>0.04。采样：对漂移大的类