2026年人工智能综合基础模拟试题

2026年人工智能综合基础模拟试题1.（单选）在深度强化学习中，优先经验回放（PER）的核心改进是A.用双网络消除过高估计B.按TD误差加权采样C.在策略网络加噪声D.使用n-step回报答案：B2.（单选）VisionTransformer中，位置编码若直接去掉，模型在分类任务上的Top-1准确率最可能A.上升1.2%B.下降0.3%C.下降8%以上D.几乎不变答案：C3.（单选）下列关于联邦学习安全聚合（SecAgg）的陈述正确的是A.服务器可看到各客户端明文梯度B.每轮需交换O(n²)条消息C.可抵抗半诚实服务器D.对拜占庭攻击天然鲁棒答案：C4.（单选）在PyTorch2.x编译模式下，torchpile默认使用的后端是A.TorchScriptB.ONNXRuntimeC.InductorD.Glow答案：C5.（单选）若某LLM在FP16下显存占用约12GB，采用4-bitNF4量化后，理论上显存最接近A.3GBB.4GBC.6GBD.8GB答案：A6.（单选）对比CLIP与ALIGN，二者最大差异在于A.图像编码器结构B.对比损失温度系数C.训练数据规模与清洗策略D.是否使用混合精度答案：C7.（单选）在因果推断中，若工具变量Z满足相关性与排他性，则平均因果效应（ACE）可识别，其估计量称为A.IPWB.2SLSC.DoublyRobustD.TARNet答案：B8.（单选）扩散模型DDPM的反向过程若将方差设为0，则生成样本会A.更锐利但出现模式崩塌B.完全无法收敛C.与训练分布一致D.出现色块噪声答案：A9.（单选）在AlphaFold2中，Evoformer模块利用MSA与配对表示进行信息融合，其注意力计算复杂度为A.O(L²)B.O(LN²)C.O(L²N)D.O(LN)答案：C（L为序列长度，N为MSA行数）10.（单选）当使用LoRA微调LLM时，若秩r=16，原矩阵维度为4096×4096，则参数压缩比约为A.256B.512C.1024D.2048答案：B计算：压缩比=(4096×4096)/[(4096+4096)×16]=51211.（单选）在NeRF中，若仅采用位置编码（无方向编码），渲染结果会A.几何准确但材质暗淡B.出现浮动伪影C.镜面高光消失D.颜色过饱和答案：C12.（单选）下列关于Mamba（StateSpaceModel）的叙述错误的是A.线性复杂度B.支持可变长度输入C.无法并行训练D.选择性机制缓解边界遗忘答案：C13.（单选）在AutoML中，一次神经架构搜索（NAS）若采用权重共享超网，其最突出风险是A.内存溢出B.梯度消失C.排序相关（rankdisorder）D.搜索空间过小答案：C14.（单选）若将ReLU替换为GELU，Transformer训练速度通常A.下降15%B.提升5%C.几乎不变D.提升20%答案：B15.（单选）在图神经网络中，GCN与GraphSAGE最大差异在于A.是否使用邻接归一化B.是否采样邻居C.是否共享权重D.是否可归纳到新节点答案：D16.（单选）当使用DPO（DirectPreferenceOptimization）对齐LLM时，其损失函数与下列哪种经典方法数学等价A.PPO-ClippedB.Bradley-Terry+最大似然C.RewardModel+RLD.SLiC答案：B17.（单选）在StableDiffusionXL中，引入Refiner模型的主要目的是A.降低显存B.提升低分辨率语义C.去噪高分辨率细节D.加速采样答案：C18.（单选）若某卷积神经网络第一层的权重张量形状为64×3×7×7，在WinogradF(2×2,3×3)算法下，理论乘法次数下降约A.1.5倍B.2.25倍C.3倍D.4倍答案：B19.（单选）在联邦学习t-SecAgg协议中，若客户端掉线数超过t，则A.聚合仍可精确恢复B.需启动新一轮C.服务器可推断掉线者梯度D.模型准确率上升答案：B20.（单选）当使用FlashAttention-2时，内存复杂度从O(N²)降至A.O(N)B.O(NlogN)C.O(N√N)D.O(N²)答案：A21.（多选）下列技术可直接缓解LLM“幻觉”现象A.检索增强生成（RAG）B.链式验证（CoVe）C.增加温度系数D.强化学习人类反馈（RLHF）答案：A,B,D22.（多选）在NeRF加速中，以下方法属于空间结构剪枝A.EmptyspaceskippingB.OccupancyGridC.ProposalNetworkD.SphericalHarmonics答案：A,B,C23.（多选）对比学习损失InfoNCE的梯度性质包括A.正样本梯度为正B.负样本梯度为负C.温度系数越小梯度越大D.批大小越大梯度方差越小答案：A,B,C,D24.（多选）在AlphaGoZero中，蒙特卡洛树搜索（MCTS）的PUCT公式涉及A.先验概率PB.访问次数NC.价值估计VD.探索常数c答案：A,B,C,D25.（多选）下列关于DiffusionTransformer（DiT）的描述正确A.使用AdaLN-Zero调节B.完全去掉卷积C.复杂度与图像token数成线性D.支持类别条件生成答案：A,B,D26.（多选）在自动驾驶感知中，多相机BEV变换方案包括A.LSS（Lift-Splat-Shoot）B.BEVFormerC.ImVoxelNetD.PointPainting答案：A,B,C27.（多选）当使用混合专家（MoE）模型时，下列做法可降低通信开销A.Expertparallelism+All2AllB.激活检查点C.专家dropoutD.局部性约束路由答案：A,D28.（多选）在图对比学习中，以下增强策略对化学分子图有效A.随机删边B.随机遮罩节点特征C.改变原子序数D.子图抽取答案：A,B,D29.（多选）关于零样本学习（ZSL），下列说法正确A.可见类与不可见类共享语义空间B.枢纽度问题导致偏差C.校准可缓解偏差D.广义ZSL要求同时识别可见与不可见类答案：A,B,C,D30.（多选）在语音合成VITS中，模型包含A.文本编码器B.标准化流C.随机时长预测器D.HiFi-GAN声码器答案：A,B,C,D31.（填空）在VisionTransformer中，若输入图像224×224，patch大小16×16，则序列长度为________。答案：197（14×14+1）32.（填空）DDPM的扩散过程方差调度若采用cosineschedule，其优势是避免________步附近方差过快增长。答案：t=T33.（填空）在PyTorch中，若模型已开启torchpile，调用model(x)首次执行会触发________编译，导致延迟增加。答案：JIT图优化34.（填空）LoRA的缩放系数α通常设置为________，以在微调初期保持与预训练输出一致。答案：r（秩）35.（填空）NeRF的体渲染公式中，透明度αi=1−exp(−σiδi)，则光线最终颜色C=________。答案：ΣTi(1−exp(−σiδi))ci，其中Ti=exp(−Σj=1i−1σjδj)36.（填空）在联邦学习FederatedAveraging中，若客户端本地epoch增大，学习率应________以维持收敛。答案：减小（反比缩放）37.（填空）Mamba的选择性机制将输入依赖的Δ、B、C通过________激活函数压缩到正数。答案：Softplus38.（填空）对比学习SimCLR中，温度系数τ若趋近于0，损失函数近似为________损失。答案：hardtriplet39.（填空）在AlphaFold2中，结构模块输出的FAPE损失全称为________。答案：FrameAlignedPointError40.（填空）当使用GroupQueryAttention时，若head数32，group数4，则键值头压缩比为________。答案：841.（判断）将LLM的LayerNorm替换为RMSNorm可降低约7%训练时间。答案：正确42.（判断）在扩散模型中，确定性DDIM采样一定比随机DDPM采样获得更高FID。答案：错误43.（判断）联邦学习中的模型水印可通过嵌入签名层实现，且不影响主任务精度。答案：错误（可能轻微下降）44.（判断）VisionTransformer的位置编码采用二维插值即可直接适应任意分辨率。答案：正确45.（判断）NeRF无法建模非刚性场景。答案：错误（D-NeRF等方法可处理）46.（判断）使用FlashAttention必须要求GPU显存大于序列长度平方。答案：错误（正是为了降低显存）47.（判断）在MoE中，专家容量因子小于1必然导致token丢弃。答案：正确48.（判断）DPO训练阶段无需奖励模型。答案：正确49.（判断）图神经网络中，增加层数必然导致过平滑。答案：错误（残差等可缓解）50.（判断）在AutoGPTQ中，group-size=128意味着每128行共享一个量化比例。答案：正确51.（简答）说明Transformer中“注意力熵”的定义及其与模型可解释性的关系，限80字。答案：注意力熵H=−Σaijlogaij，衡量分布集中程度；低熵表明模型聚焦特定token，有助于可视化关键输入片段，提升可解释性。52.（简答）阐述联邦学习中“客户端漂移”现象的成因与两种缓解策略，限100字。答案：成因：数据Non-IID、本地多轮更新导致局部最优偏离全局。策略：1.降低本地学习率或epoch；2.加入近端项FedProx约束本地模型与全局模型距离。53.（简答）解释NeRF中“几何一致性正则化”如何减少浮动伪影，限80字。答案：通过在多视角间强制深度一致性，惩罚空区域高不透明度，使密度集中于真实表面，从而消除漂浮物。54.（简答）说明混合专家模型中“负载均衡损失”如何设计，限60字。答案：Laux=αΣi(fiPi)²，fi为专家i分配比例，Pi为路由概率，鼓励均匀分发token，防止崩溃。55.（简答）给出LLM量化中“outlierchannelsplitting”的核心思想，限70字。答案：将含极端值的通道拆分为两个低幅通道，使缩放后数值落入量化区间，再合并，减少精度损失。56.（计算）给定一个扩散模型，已知q(xt|x0)=N(xt;√αtx0,(1−αt)I)，设αt=0.9，x0=1，求xt的方差。答案：Var(xt)=1−αt=0.157.（计算）在VisionTransformer中，若自注意力计算量为4.2GFLOPs，patch数14×14，head数16，d=64，求序列长度L。答案：由公式FLOPs=2L²d·head，得L²=4.2×10⁹/(2×64×16)=2.05×10⁶，L≈1432，但14×14=196，故题目应为单头，修正：FLOPs=2L²d，L=√(4.2×10⁹/(2×64))=5739，与patch不符，重新审题：若4.2GFLOPs为全部head，则L=√(4.2×10⁹/(2×64×16))=1432，仍不符，说明数值为示例，直接给L=197。58.（计算）LoRA低秩适配，若原矩阵8192×1024，秩r=16，求参数压缩比。答案：压缩比=(8192×1024)/((8192+1024)×16)=51259.（计算）在DDIM采样中，若σt=0，η=0，求确定性更新公式xt−1=________。答案：xt−1=√αt−1((xt−√1−αtεθ)/√αt)+√1−αt−1εθ60.（计算）若FlashAttention将内存从O(N²)降至O(N)，当N=64k，d=64，求显存节省倍数。答案：原显存N²d×2byte≈64k²×64×2=512GB，降后O(N)≈64k×64×2=8MB，节省≈64000倍。61.（综合）阅读背景：某团队训练3B参数MoE模型，专家数64，top-k=2，训练300Btoken后出现“专家崩溃”——仅4个专家被频繁路由。请回答：(1)给出两种诊断指标；(2)设计一种动态路由正则化损失，要求含公式；(3)说明如何验证修复效果。答案：(1)指标：a.路由熵H=−Σipilogpi，全局平均<0.2表明崩溃；b.专家使用率标准差σ>0.3表明极化。(2)动态损失：Ldyn=βmax(0,γ−H)，其中γ=0.5为熵阈值，β随训练步衰减，鼓励熵不低于阈值。(3)验证：训练后记录100Mtoken的H与σ，若H>0.4且σ<0.15，且下游任务指标不降，则修复成功。62.（综合）背景：某城市部署联邦学习系统，1万部手机参与训练，数据极度Non-IID，通信预算每轮总上行100MB。方案：采用FedAvg+量化+QSGD。请给出：(1)量化位宽选择推导；(2)本地迭代次数与收敛误差权衡公式；(3)隐私泄露风险评估与对策。答案：(1)设模型参数量M=50M，预算100MB=800Mbit，每轮上传客户端数n=100，则每客户端上传8Mbit，位宽b=8×10⁶/(50×10⁶)=0.16，不可行；故采用客户端采样+局部量化：n=1000，b=1.6，取2-bitQSGD，引入压缩比8×。(2)收敛误差ε∝1/(E√R)，E为本地epoch，R为总轮数，通信预算固定⇒R固定，故ε∝1/E，需权衡E≤5。(3)风险：半诚实服务器可重构部分数据；对策：采用SecAgg+局部差分隐私(σ=0.1)，隐私预算(ε,δ)=(3,10⁻⁵)。63.（综合）背景：某医疗影像分割模型采用U-Net+Transformer混合架构，数据量仅2k张，出现严重过拟合。请设计一套完整方案，包括：a.数据增强管道；b.正则化策略；c.半监督利用5k张无标注数据；d.可解释性可视化。答案：a.管道：RandRot±15°，ElasticDeformation网格=8，sigma=10，RandCrop256×256，Gamma校正0.8–1.2，MixUpα=0.2。b.正则：DropBlock=0.15，Layer-wiseLRDecay=0.7，StochasticDepth=0.2，加入Dice+Boundary联合损失。c.半监督：采用MeanTeacher，EMA系数0.999，一致性损失用强增强预测与弱增强EMA预测求MSE，权重调度λ=0.1→0.5。d.可视化：集成Grad-CAM++与Transformerrollout，生成热力图叠加原图，由放射科医师验证，要求IoU>0.85区域覆盖病灶。64.（综合）阅读代码片段（PyTorch），指出三处潜在bug并修正：```pythonclassExpert(nn.Module):def__init__(self,dim):super().__init__()=nn.Sequential(nn.Linear(dim,4dim),nn.GELU(),nn.Linear(4dim,dim))=nn.Sequential(nn.Linear(dim,4dim),nn.GELU(),nn.Linear(4dim,dim))defforward(self,x,gate):return(x)gatereturn(x)gate```答案：1.gate未归一化导致梯度爆炸，修正：gate=F.softmax(gate,dim=-1)；2.未对专家输出加权平均，修正：返回输出后在外层按gate值加权；3.未使用残差，修正：returnx+(x)gate.unsqueeze(-1)。3.未使用残差，修正：returnx+(x)gate.unsqueeze(-1)。65.（综合）背景：某公司欲在边缘芯片（算力4TOPS，内存2GB）部署7BLLM，要求推理延迟<500ms生成20token。给出完整优化路径，含量化、稀疏、投机解码、内存管理、实验指标。答案：量化：采用4-bitRTN+outlierchannelsplitting，权重压缩至3.5GB，激活8-bit；稀疏：使用2:4结构化稀疏，再剪枝30%attentionhead，稀疏度50%，用SparseGPT一次性完成；投机解码：训练小型draft模型390M，接受率0.78，并行步5，减少2.5×延迟；内存管理：实现pagedKV-cache块=256，预分配池，内存碎片<3%；实验：在C4验证集测试，首token延迟180ms，后续每token12ms，总20token420ms<500ms，BLEU下降0.8，可接受。66.（综合）背景：某视频平台每日新增1万小时短视频，需实时去重。要求：召回率>98%，误杀<0.5%，单卡延迟<100ms。设计端到端系统，含特征提取、索引、检索、后处理。答案：特征：提取3帧/秒，每帧R(2+1)D-34embedding256维，池化得视频级签名512维，采用L2归一化；索引：构建IVF-PQ，PQ=64，nlist=4096，使用GPUFaiss，内存占用<1GB；检索：采用HNSW辅助，top-100粗排，再精排余弦相似度>0.92判重；后处理：时序对齐，允许±2秒偏移，若连续10帧均>0.9则确认；实验：在自建1M视频库测试，召回98.3%，误杀0.4%，平均延迟78ms。67.（综合）背景：某科研团队提出“无注意力Transformer”，完全用MLP-Mixer替代自注意力，参数2B，在ImageNet-1k达到84.1%Top-1。请从表达能力、归纳偏置、复杂度、可扩展性四方面批判性分析，限200字。答案：表达能力：MLP-Mixer缺乏动态token交互，长程依赖建模弱于注意力，84.1%已接近瓶颈；归纳偏置：局部卷积+全局MLP引入平移等变但失去空间自适应，对形变鲁棒差；复杂度：序列长度线性但隐藏维度平方，高分辨率显存激增；可扩展性：无法直接迁移到NLP，缺少位置敏感稀疏操作，难以处理超长序列，扩展受限。68.（综合）背景：某城市欲用强化学习优化红绿灯，状态含车道队列长度、速度、相位，动作离散相位切换，奖励为负延迟。请给出：(1)状态空间降维方案；(2)奖励塑形避免稀疏；(3)模拟到真实迁移（Sim2Real）策略；(4)安全约束。答案：(1)采用PCA+图卷积，将交叉口车道图嵌入32维，减少冗余；(2)奖励=−Σw