2026年Ai试题二及答案

2026年Ai试题二及答案

一、单项选择题（总共10题，每题2分）1.大语言模型（LLM）的核心预训练任务不包括？A.掩码语言模型B.因果语言模型C.对比学习D.目标检测2.以下属于生成式AI典型应用的是？A.垃圾邮件过滤B.图像分类C.ChatGPT对话D.异常检测3.深度学习中，Transformer架构的核心是？A.卷积层B.循环单元C.自注意力机制D.池化层4.关于AI伦理中的“算法公平性”，以下错误的是？A.需避免性别/种族偏见B.公平性与准确率不可兼得C.需考虑群体公平D.偏见存在于数据和模型5.计算机视觉中，图像分割的任务是？A.给图像分类B.定位目标位置C.给每个像素标注类别D.检测目标边界6.机器学习中，无监督学习的典型任务是？A.分类B.回归C.聚类D.强化学习7.大语言模型的“微调”是指？A.用少量标注数据调整预训练模型B.增加模型参数规模C.改变预训练任务D.降低模型复杂度8.以下属于强化学习应用的是？A.AlphaGo下棋B.图像识别C.语音转文字D.机器翻译9.AI系统中的“可解释性”不包括？A.模型决策的逻辑B.特征对预测的影响C.模型参数的大小D.决策过程的透明度10.自然语言处理中，词嵌入（WordEmbedding）的作用是？A.把文本转为数字向量B.统计词频C.分词D.生成文本二、填空题（总共10题，每题2分）1.大语言模型的预训练通常基于______文本数据，以学习通用语言表示。2.Transformer中的“多头自注意力”可以捕捉文本中的______关系。3.计算机视觉中，YOLO（YouOnlyLookOnce）是典型的______算法。4.强化学习的核心要素包括智能体、环境、______和奖励。5.自然语言处理中，BERT模型采用______预训练任务。6.AI伦理中的“可及性”是指AI技术应______。7.机器学习中，过拟合的解决方法包括正则化、______和早停。8.生成对抗网络（GAN）由生成器和______两部分组成。9.大语言模型的“上下文学习”是指______。10.计算机视觉中，图像风格迁移的核心是______。三、判断题（总共10题，每题2分）1.所有AI模型都需要标注数据才能训练。2.Transformer架构比RNN更适合处理长文本序列。3.大语言模型的参数规模越大，性能一定越好。4.算法偏见仅来源于模型训练过程。5.强化学习中，智能体的目标是最大化累计奖励。6.图像分类属于计算机视觉的基础任务。7.词嵌入（Word2Vec）可以解决一词多义问题。8.生成式AI可以生成文本、图像、音频等多种模态内容。9.AI系统的可解释性对医疗、法律等领域不重要。10.半监督学习结合了有标注和无标注数据进行训练。四、简答题（总共4题，每题5分）1.简述大语言模型（LLM）的预训练与微调的区别。2.说明Transformer架构中自注意力机制的核心作用。3.简述AI伦理中的“算法公平性”需关注的三个关键维度。4.说明强化学习与监督学习的主要区别。五、讨论题（总共4题，每题5分）1.讨论大语言模型（LLM）在教育领域的应用潜力与挑战。2.讨论生成对抗网络（GAN）在计算机视觉领域的典型应用及局限性。3.讨论AI伦理中的“数据隐私保护”与“模型性能”的平衡策略。4.讨论大语言模型（LLM）的“上下文学习”与“微调”在实际应用中的选择逻辑。答案与解析一、单项选择题（每题2分，共20分）1.D解析：目标检测属于计算机视觉任务，非LLM预训练任务；LLM核心预训练任务含掩码语言模型、因果语言模型、对比学习。2.C解析：ChatGPT是生成式AI（生成文本）；其他选项为判别式AI（分类/识别）。3.C解析：Transformer核心是自注意力机制，卷积层、循环单元、池化层均非其核心。4.B解析：公平性与准确率可通过算法优化平衡，并非不可兼得。5.C解析：图像分割任务是给每个像素标注类别，A为分类，B为目标定位，D为边界检测。6.C解析：无监督学习典型任务是聚类，A、B为监督学习，D为强化学习。7.A解析：微调是用少量标注数据调整预训练模型，适配特定任务；其他选项非微调定义。8.A解析：AlphaGo是强化学习（通过环境交互学习最优策略）；其他选项为监督/无监督学习。9.C解析：可解释性关注决策逻辑、特征影响、透明度，模型参数大小与可解释性无关。10.A解析：词嵌入是将文本转为数字向量，B为词频统计，C为分词，D为生成模型功能。二、填空题（每题2分，共20分）1.大规模无标注解析：LLM预训练依赖海量无标注文本，学习通用语言能力。2.多维度语义解析：多头自注意力通过多个注意力头捕捉不同维度语义关联。3.实时目标检测解析：YOLO是单阶段目标检测算法，速度快，适合实时场景。4.动作解析：强化学习核心要素含智能体、环境、动作、状态、奖励。5.掩码语言模型（MLM）解析：BERT预训练任务是随机掩码15%tokens并预测掩码词。6.惠及不同群体（包括弱势群体）解析：可及性要求AI技术实现普惠，不排斥弱势群体。7.数据增强解析：过拟合解决方法含正则化、数据增强、早停。8.判别器解析：GAN由生成器（生成假数据）和判别器（区分真假数据）组成。9.在推理时提供少量示例让模型学习（无需调整参数）解析：上下文学习是推理时给k-shot示例，模型直接生成结果。10.分离内容和风格特征并重组解析：图像风格迁移通过编码器分离内容与风格，重组生成新图像。三、判断题（每题2分，共20分）1.×解析：无监督、半监督学习不需要全标注数据。2.√解析：RNN处理长文本有梯度消失问题，Transformer自注意力无此问题。3.×解析：参数规模需与数据量、任务匹配，过度扩容可能导致过拟合。4.×解析：算法偏见来源含数据、特征选择、模型训练。5.√解析：强化学习智能体目标是最大化累计折扣奖励。6.√解析：图像分类是CV基础任务，是检测、分割等任务的基础。7.×解析：传统Word2Vec是静态嵌入，无法解决一词多义（动态嵌入如BERT可解决）。8.√解析：生成式AI（如GPT、DALL-E）可生成多模态内容。9.×解析：医疗、法律领域需AI解释决策逻辑，否则无法信任和合规。10.√解析：半监督学习结合少量标注与大量无标注数据，平衡成本与性能。四、简答题（每题5分，共20分）1.预训练是基于大规模无标注文本，通过掩码语言模型等任务学习通用语言表示，成本高、数据量大；微调是在预训练模型上，用少量标注任务数据调整参数，适配特定任务，成本低、针对性强。预训练是通用能力学习，微调是任务适配，是LLM落地关键。2.自注意力机制计算序列中每个位置与其他位置的相关性权重，捕捉长距离依赖（如“它”与“中国”关联）；通过查询、键、值向量计算注意力分数，加权求和得到每个位置表示；解决RNN梯度消失问题，是LLM和多模态AI核心。3.①群体公平：不同群体（如性别、种族）的模型性能无显著差异；②个体公平：相似个体的预测结果相似；③过程公平：算法设计、训练过程透明。需通过数据清洗、公平性约束实现，是AI合规核心。4.监督学习需标注数据（输入-输出对），学习映射，最小化预测误差；强化学习无直接标注，智能体与环境交互，最大化累计奖励。监督学习适合分类/回归，强化学习适合决策/控制，无需依赖标注数据。五、讨论题（每题5分，共20分）1.潜力：个性化学习（定制计划、答疑）、内容生成（课件、习题）、语言提升（写作批改）；挑战：知识准确性（需验证生成内容）、伦理（作业抄袭、隐私泄露）、数字鸿沟（access差异）、认知依赖（过度依赖AI减少思考）。需建立审核机制、隐私框架，结合教师引导平衡辅助与自主学习。2.应用：图像生成（人脸、动漫）、修复（老照片）、风格迁移、数据增强；局限：模式崩溃（生成样本多样性不足）、训练不稳定（生成器与判别器博弈失衡）、高分辨率质量差、可解释性差。需改进架构（如StyleGAN）、正则化方法优化。3.平衡策略：①联邦学习（数据本地化训练，仅传模型参