2026年人工智能训练师考试题及答案

2026年人工智能训练师考试题及答案一、单项选择题（本大题共25小题，每小题1.5分，共37.5分。在每小题列出的四个备选项中只有一个是符合题目要求的，请将其代码填在括号内。）1.在人工智能训练师的数据准备阶段，对于图像分类任务，当遇到类别分布极不均衡的情况时，以下哪种数据增强策略对于少数类样本最不适用？A.随机旋转与翻转B.Mixup（混合两张图及标签）C.随机裁剪D.SMOTE（合成少数类过采样技术）2.在自然语言处理（NLP）任务中，Transformer模型的核心机制是Self-Attention（自注意力机制）。假设输入序列的长度为n，特征维度为d，则标准的Self-Attention计算复杂度是？A.OB.OC.OD.O3.在训练深度学习模型时，常用的优化器Adam结合了动量法和RMSProp的优点。关于Adam优化器中的超参数和，通常它们的默认值设置分别接近于？A.0.9和0.999B.0.99和0.9C.0.5和0.9D.0.1和0.0014.在目标检测任务中，评估模型性能的一个重要指标是mAP（meanAveragePrecision）。在计算AP时，通常使用P-R曲线（精确率-召回率曲线）。以下关于精确率和召回率的公式描述，正确的是？A.PreB.PreC.PreD.Pre5.大语言模型（LLM）推理过程中，常用的“Temperature”参数主要用于控制输出的什么特性？A.输出文本的最大长度B.输出词汇表的多样性C.模型的计算速度D.显存占用量6.在进行模型微调时，为了解决显存不足的问题，训练师常采用参数高效微调技术（PEFT）。以下哪项技术属于PEFT，且只训练极少量的额外参数而不更新原始模型权重？A.FullFine-tuningB.LoRA(Low-RankAdaptation)C.FeatureExtractionD.DataParallelism7.在监督学习中，损失函数用于衡量模型预测值与真实值之间的差异。对于多分类问题，最常用的损失函数是？A.均方误差（MSE）B.交叉熵损失C.HingeLossD.对数损失8.在处理文本数据时，Tokenizer（分词器）扮演着重要角色。对于基于BPE（BytePairEncoding）的分词算法，其核心思想是？A.统计词频，将最高频的词作为一个整体B.从字符级别开始，迭代地合并最频繁出现的字节对C.根据语法规则进行分词D.随机切分文本以增加鲁棒性9.人工智能训练师在分析模型训练日志时，发现训练集Loss持续下降，但验证集Loss在下降一段时间后开始上升。这种现象通常被称为？A.欠拟合B.过拟合C.梯度消失D.梯度爆炸10.在推荐系统任务中，常用的矩阵分解技术将用户-物品评分矩阵分解为两个低维矩阵。假设用户矩阵为U，物品矩阵为V，则预测用户i对物品j的评分通常表示为？A.·B.+C.×D.|11.在强化学习中，Agent（智能体）通过与环境交互学习策略。Q-learning是一种经典的算法，其更新Q值的公式主要依据？A.策略梯度定理B.贝尔曼最优方程C.链式法则D.贝叶斯定理12.为了提高模型的泛化能力，防止过拟合，除了Dropout和正则化外，数据增强也是重要手段。在语音识别任务中，以下哪项不属于有效的数据增强方法？A.添加背景噪声B.改变语速C.随机抹除频谱图中的部分频段D.图像旋转13.在生成式AI应用中，RAG（检索增强生成）架构通过引入外部知识库来缓解大模型的幻觉问题。在RAG流程中，通常使用的向量数据库索引结构不包括？A.IVF(InvertedFileIndex)B.HNSW(HierarchicalNavigableSmallWorld)C.KD-TreeD.HashMap14.计算机视觉中的卷积神经网络（CNN）包含多种层。以下哪种层的主要作用是降低特征图的空间维度（尺寸），从而减少计算量和参数数量？A.卷积层B.池化层C.全连接层D.激活层15.在深度学习框架中，TensorFlow和PyTorch都涉及动态计算图和静态计算图的概念。PyTorch默认使用的是？A.静态计算图B.动态计算图C.混合计算图D.无计算图16.评估分类模型时，ROC曲线和AUC值是重要指标。AUC值的物理意义可以理解为？A.预测正确的样本占总样本的比例B.分类器对正样本得分高于负样本得分的概率C.精确率的平均值D.召回率的平均值17.在Transformer模型中，为了保留序列的位置信息，引入了位置编码。假设位置向量的维度为，位置为pos，维度索引为iA.B.C.D.p18.在模型部署阶段，模型量化是常用的加速技术。将FP32（32位浮点数）模型量化为INT8（8位整数）模型，通常会带来什么影响？A.模型精度显著提高，推理速度变慢B.模型精度略微下降，推理速度显著变快C.模型精度和推理速度都保持不变D.模型精度和推理速度都会下降19.人工智能训练师在处理时间序列预测任务（如股票预测、气象预报）时，LSTM（长短期记忆网络）是为了解决什么问题而提出的？A.计算量过大B.梯度消失和梯度爆炸C.无法处理非线性数据D.无法处理多模态数据20.在聚类算法中，K-Means是一种非常经典的无监督学习方法。确定K值（聚类数量）的常用方法之一是“肘部法则”，该方法通过观察什么指标随K值的变化趋势来确定最优K？A.轮廓系数B.戴维斯-布尔丁指数C.误差平方和（SSE）D.兰德指数21.在半监督学习中，伪标签是一种常用的策略。其基本流程是？A.使用标注数据训练模型，预测未标注数据，将高置信度的预测结果作为标签加入训练集，重新训练B.直接丢弃未标注数据C.人工标注所有未标注数据D.随机生成未标注数据的标签22.在图像分割任务中，U-Net是一种经典的网络结构，广泛应用于医学影像分析。U-Net最显著的结构特点是？A.仅包含编码器B.包含对称的编码器和解码器，并使用跳跃连接C.使用了ResNet作为主干网络D.不包含全连接层23.人工智能伦理与安全日益受到重视。以下哪项技术主要用于保护训练数据的隐私，防止通过模型反推原始数据？A.对抗训练B.差分隐私C.数据加密D.访问控制24.在评估生成式大模型时，BLEU（BilingualEvaluationUnderstudy）指标常用于衡量机器翻译的质量。BLEU指标主要基于什么统计量？A.n-gram的精确率B.n-gram的召回率C.语义相似度D.生成速度25.在使用PyTorch进行模型训练时，`model.zero_grad()`和`optimizer.zero_grad()`的主要作用是？A.清空显存缓存B.将模型参数的梯度清零，防止梯度累积C.初始化模型参数D.停止梯度回传二、多项选择题（本大题共10小题，每小题3分，共30分。在每小题列出的五个备选项中至少有两个是符合题目要求的，请将其代码填在括号内。错选、多选、少选均不得分。）1.人工智能训练师在构建数据集时，数据清洗是至关重要的一步。以下属于常见数据清洗操作的有？A.去除重复数据B.处理缺失值（填充或删除）C.修正异常值D.数据标准化/归一化E.特征工程2.关于深度学习中的激活函数，以下描述正确的有？A.ReLU函数解决了梯度消失问题，计算速度快B.Sigmoid函数的输出范围在(0,1)之间，常用于二分类输出层C.Tanh函数的输出范围在(-1,1)之间，具有零中心特性D.Softmax函数常用于多分类问题的输出层，输出和为1E.激活函数必须是非线性的，否则网络无法学习复杂映射3.在目标检测算法中，YOLO（YouOnlyLookOnce）系列算法因其速度快而广泛应用。以下属于YOLO算法核心思想或特点的有？A.将目标检测视为回归问题B.使用滑动窗口进行穷举搜索C.在整个图像上通过卷积网络提取特征，直接预测边界框和类别概率D.单阶段检测器E.必须先提取候选区域，再进行分类4.在自然语言处理中，预训练语言模型（PLM）如BERT、GPT彻底改变了领域范式。关于BERT模型，以下说法正确的有？A.BERT采用的是Transformer的Encoder结构B.BERT采用的是Transformer的Decoder结构C.BERT的训练任务包括掩码语言模型（MLM）和下一句预测（NSP）D.BERT是自回归生成的模型E.BERT生成的文本是双向的5.为了提升大语言模型（LLM）指令遵循的能力，训练师通常会进行指令微调。以下关于指令微调数据集构建的注意事项，正确的有？A.指令应清晰、明确、无歧义B.输入和输出应保持高质量，避免噪声C.数据集应覆盖多样化的任务类型（如摘要、翻译、问答）D.数据量越大越好，无需考虑数据质量E.需要构建负样本以教会模型什么是不正确的回答6.在模型训练过程中，学习率的调度对收敛速度和最终效果影响很大。常见的学习率衰减策略有？A.StepLR（阶梯式衰减）B.ExponentialLR（指数衰减）C.CosineAnnealing（余弦退火）D.Warmup（预热）E.CyclicLR（循环学习率）7.计算机视觉中的注意力机制允许模型关注图像中的重要区域。以下属于视觉注意力机制变体的有？A.SE-Block(Squeeze-and-Excitation)B.CBAM(ConvolutionalBlockAttentionModule)C.Non-localNeuralNetworksD.Self-AttentioninVisionTransformer(ViT)E.MaxPooling8.在处理类别不平衡问题时，除了数据层面的重采样，还可以从算法层面进行调整。有效的算法层面策略包括？A.使用类别权重，增加少数类样本在Loss中的权重B.使用FocalLoss，降低易分类样本的权重，聚焦难分类样本C.修改评价指标，使用AUC而非AccuracyD.忽略少数类，仅训练多数类E.强制模型输出多数类9.在强化学习中，策略梯度方法是解决连续动作空间问题的有效手段。关于REINFORCE算法，以下描述正确的有？A.基于蒙特卡洛采样B.是一种无模型的算法C.更新策略时使用了对数概率与回报的乘积D.只能处理离散动作空间E.具有高方差的特点10.人工智能训练师在进行模型评估时，除了关注准确率，还需要关注模型的鲁棒性。以下哪些操作可以测试或提升模型的鲁棒性？A.对抗样本测试B.交叉验证C.在测试集中加入噪声或扰动D.模型集成E.仅在训练集上评估三、判断题（本大题共15小题，每小题1.5分，共22.5分。请判断下列各题的正误，正确的在括号内填“√”，错误的填“×”。）1.梯度下降算法中，学习率设置得越大，模型收敛速度一定越快。2.卷积神经网络中的卷积操作是局部连接和权值共享的，这大大减少了网络的参数量。3.在深度学习中，BatchNormalization（BN）层通常用于加速训练收敛，并且可以具有一定的正则化效果。4.所有的机器学习模型都需要大量的数据进行训练，数据量越多，模型性能一定越好。5.GPT系列模型采用的是Decoder-only的Transformer架构，因此具有强大的文本生成能力。6.L1正则化倾向于产生稀疏的权重矩阵，常用于特征选择。7.在评估分类模型时，准确率是最高级的指标，在任何情况下都应优先优化准确率。8.支持向量机（SVM）只能用于线性分类问题，无法处理非线性数据。9.在图像生成任务中，GAN（生成对抗网络）由生成器和判别器组成，两者进行零和博弈。10.过拟合意味着模型在训练集上表现很好，但在测试集上表现较差，通常是因为模型太简单或数据太少。11.t-SNE是一种非线性降维技术，常用于高维数据的可视化，能够很好地保留数据的局部结构。12.在自然语言处理中，TF-IDF值可以用来衡量一个词在文档中的重要程度，TF越高，IDF越低，词越重要。13.迁移学习就是将一个在预训练任务上训练好的模型，直接应用到目标任务上，无需任何修改。14.深度信念网络（DBN）是一种生成式模型，由受限玻尔兹曼机（RBM）堆叠而成。15.在多模态学习中，CLIP模型通过对比学习将图像和文本对齐到同一特征空间。四、填空题（本大题共10小题，每小题2分，共20分。请在每小题的空格中填上正确答案。）1.在香农信息论中，信息熵的公式为H(X)=−∑p2.在卷积神经网络中，假设输入图像大小为W×W，卷积核大小为k×k，步长为s，填充为p，则输出特征图的大小为3.在Transformer架构中，多头注意力机制是指将输入的嵌入维度分割为h个头，每个头关注不同的子空间。如果=512，头数h=8，则每个头的维度4.在优化理论中，L-BFGS是一种______优化算法，它利用有限的内存来近似海森矩阵的逆，常用于全批量训练。5.在计算机视觉中，IoU（IntersectionoverUnion）用于衡量两个边界框的重叠程度。若预测框与真实框的交集面积为2，并集面积为10，则IoU值为______。6.大语言模型在推理时，常用的采样策略除了GreedySearch外，还有BeamSearch。若BeamWidth设置为3，则模型在每一步会保留______个最优候选序列。7.在数据结构中，______是一种树形结构，常用于快速检索文本前缀，在自然语言处理的分词和词典匹配中有应用。8.在强化学习中，______是指智能体在给定状态下采取行动并遵循策略直到episode结束所获得的累积回报的期望值。9.在神经网络中，______函数可以将任意实数映射到(0,1)区间，其导数表达式为(x10.为了解决梯度消失问题，ResNet引入了______结构，允许数据直接跳过某些层。五、简答题（本大题共5小题，每小题6分，共30分。）1.请简述RLHF（基于人类反馈的强化学习）的基本流程及其在训练大语言模型中的作用。2.在深度学习训练中，什么是梯度消失和梯度爆炸？请分析其产生原因及常用的解决方法。3.请详细解释精确率、召回率和F1值（F1-Score）的定义，并说明在什么情况下应该优先关注召回率？4.请简述RAG（检索增强生成）技术的工作原理，并列举至少两个RAG相比直接微调大模型的优势。5.什么是过拟合？请列举至少三种防止过拟合的技术手段，并简要说明其原理。六、案例分析与应用题（本大题共3小题，共60分。）1.（20分）你是一名人工智能训练师，正在负责一个电商平台的商品评论情感分析项目。数据集包含10万条用户评论，标签为“正面”、“负面”和“中性”。在初步训练BERT-base模型后，你发现模型在“负面”类别的F1值明显低于“正面”和“中性”类别。经检查，数据集中“负面”样本仅占10%，且“负面”评论中常包含“还行”、“不错”等反讽或语境复杂的表达。(1)请分析导致“负面”类别F1值低的主要原因（至少两点）。(2)针对上述问题，请制定具体的改进方案，分别从数据处理和模型策略两个层面提出建议。(3)假设改进后模型在测试集上的混淆矩阵如下（行表示真实标签，列表示预测标签：正、中、负）：[80050请计算“负面”类别的精确率、召回率和F1值。（保留两位小数）2.（20分）某公司希望开发一个医疗影像辅助诊断系统，用于识别X光片中的肺炎特征。由于医疗数据标注成本极高，目前只有500张由专家精细标注的图像，但公司拥有5万张未标注的X光片。(1)针对这种小样本学习场景，你会建议采用哪种训练策略？请详细描述该策略的流程。(2)在模型评估阶段，除了准确率，为什么必须重点计算敏感度和特异度？请结合医疗场景解释。(3)在模型部署后，发现模型对某家医院设备的图像识别准确率大幅下降，这属于什么问题？作为训练师，你应该如何收集数据并优化模型以解决此问题？3.（20分）在构建一个垂直领域的智能客服机器人时，你使用了一个7B参数的开源大模型。测试发现，虽然模型通识能力很强，但在回答公司具体产品的价格、保修政策等内部知识时，经常出现“幻觉”（编造错误信息）。(1)请分析为什么直接使用通用大模型会出现这种问题。(2)你决定采用RAG（检索增强生成）架构。请画出RAG系统的核心流程图（用文字描述节点和数据流向），并解释向量数据库在其中的作用。(3)在构建向量数据库索引前，需要对知识库文档进行分块。如果分块过大或过小，分别会有什么缺点？请给出一种改进分块质量的策略。参考答案及解析一、单项选择题1.D【解析】SMOTE主要用于数值型特征的合成，通过插值生成新样本，直接应用于图像像素插值通常效果不佳且不符合图像拓扑结构，图像通常用几何变换或Mixup。2.B【解析】Self-Attention需要计算每个词与其他所有词的相关性，计算复杂度为序列长度的平方O(3.A【解析】Adam中是一阶矩估计的指数衰减率（控制动量），默认0.9；是二阶矩估计的指数衰减率，默认0.999。4.B【解析】精确率P=TP5.B【解析】Temperature控制Softmax分布的平滑度。温度高，分布平缓，随机性大；温度低，分布陡峭，确定性高。6.B【解析】LoRA通过低秩分解注入参数，冻结原始权重，属于PEFT技术。7.B【解析】多分类问题通常使用交叉熵损失；回归用MSE；SVM用HingeLoss。8.B【解析】BPE从字符开始，迭代合并频率最高的字节对。9.B【解析】训练Loss降验证Loss升，典型过拟合。10.A【解析】矩阵分解中，预测评分是用户向量与物品向量的内积。11.B【解析】Q-learning基于贝尔曼最优方程迭代更新Q表。12.D【解析】图像旋转是CV任务的数据增强，语音任务不适用。13.D【解析】向量数据库索引结构有IVF、HNSW、Annoy等，HashMap不是向量检索的核心索引结构。14.B【解析】池化层用于下采样，减小尺寸。15.B【解析】PyTorch默认使用动态计算图（Define-by-Run），TensorFlow1.x多用静态图，2.x混合。16.B【解析】AUC即ROC曲线下面积，物理意义是随机取一个正样本和一个负样本，正样本预测得分高于负样本的概率。17.A【解析】Transformer位置编码频率项为1/18.B【解析】量化通常带来精度轻微损失和推理速度提升及显存占用降低。19.B【解析】LSTM引入门控机制解决长序列训练中的梯度消失/爆炸问题。20.C【解析】肘部法则观察SSE随K值变化的拐点。21.A【解析】伪标签即用模型预测高置信度样本作为标签扩充训练集。22.B【解析】U-Net特征是对称的Encoder-Decoder结构和SkipConnections。23.B【解析】差分隐私通过在数据或梯度中添加噪声保护隐私。24.A【解析】BLEU基于n-gram的精确率，侧重预测词与参考词的重合。25.B【解析】PyTorch中梯度默认累加，训练前需清零梯度。二、多项选择题1.ABCDE【解析】数据清洗涵盖去重、缺失值处理、异常值处理、归一化及特征工程（部分定义下）。2.ABCDE【解析】ReLU、Sigmoid、Tanh、Softmax的特性描述均正确；激活函数非线性是深层网络有效的基础。3.ACD【解析】YOLO是单阶段检测器，将检测视为回归问题，全图卷积，无需RPN。4.ACE【解析】BERT用Encoder结构，双向，任务含MLM和NSP；GPT才是Decoder和自回归。5.ABC【解析】指令微调需清晰指令、高质量数据、多样化任务。数据量并非越大越好（质量优先），负样本通常用于对齐训练（如DPO），非基础指令微调必须项。6.ABCDE【解析】均为常见的学习率调度策略。7.ABCD【解析】SE-Block、CBAM、Non-local、ViT中的Self-Attention均为视觉注意力机制。MaxPooling是普通池化。8.ABC【解析】加权Loss、FocalLoss、更换AUC指标均为有效策略。9.ABCE【解析】REINFORCE是蒙特卡洛、无模型、策略梯度算法，方差大，可处理连续动作。10.ABCD【解析】对抗测试、交叉验证、加噪测试、模型集成均可测试或提升鲁棒性。三、判断题1.×【解析】学习率过大会导致震荡甚至发散。2.√【解析】CNN的局部连接和权值共享是其核心特点。3.√【解析】BN加速收敛并引入噪声（类似Dropout）有轻微正则化作用。4.×【解析】数据质量更重要，且模型有容量上限，并非越多越好。5.√【解析】GPT基于Decoder，擅长自回归生成。6.√【解析】L1正则化趋向稀疏解。7.×【解析】类别不平衡时Accuracy失效。8.×【解析】SVM通过核技巧可处理非线性数据。9.√【解析】GAN由生成器和判别器组成，进行极小极大博弈。10.×【解析】过拟合通常是因为模型太复杂或数据太少。11.√【解析】t-SNE用于降维可视化，保留局部流形结构。12.×【解析】TF-IDF中，TF越高词越重要，IDF越高（词越罕见）词越重要。13.×【解析】迁移学习通常需要微调。14.√【解析】DBN由多层RBM堆叠组成。15.√【解析】CLIP通过对比学习对齐图像和文本。四、填空题1.比特；奈特2.323.644.拟牛顿7.Trie树（前缀树）8.状态价值函数9.Sigmoid10.残差连接五、简答题1.答案要点：基本流程：1.有监督微调（SFT）：使用标注数据预训练一个基座模型。2.奖励模型（RM）训练：让模型对同一Prompt生成多个回答，人工排序打分，训练一个RewardModel来模拟人类偏好。3.强化学习（PPO）：使用RL算法（如PPO）优化大模型，使得生成的回答在RewardModel上获得高分。作用：使模型输出对齐人类的价值观、偏好和指令意图，减少有害、无用或胡言乱语的输出。2.答案要点：定义：梯度消失指反向传播中梯度趋近于0，浅层参数无法更新；梯度爆炸指梯度变得极大，导致数值溢出。原因：主要源于链式法则中连乘效应。激活函数导数小于1（如Sigmoid）且网络过深导致消失；初始化权值过大或激活函数导数大于1导致爆炸。解决方法：1.更换激活函数（如ReLU缓解消失）。2.使用残差连接。3.使用梯度裁剪缓解爆炸。4.合理的权重初始化（如Xavier/He初始化）。5.使用归一化层（BatchNorm/LayerNorm）。3.答案要点：定义：精确率P=TP召回率R=TPF1值=2·P·场景：在召回率比精确率更重要的场景，如疾病初筛（宁可误报不可漏诊）、欺诈检测、危险品安检。在这些场景下，漏掉正样本（假阴性）的后果非常严重。4.答案要点：原理：1.索引：将知识库文档切分，转化为向量存入向量数据库。2.检索：将用户问题转化为向量，在库中检索Top-K相似文档片段。3.生成：将检索到的片段作为“上下文”与用户问题拼接，输入LLM生成答案。优势：1.减少幻觉：模型基于检索到的事实回答，而非编造。2.知识更新：更新向量库即可更新知识，无需重新训练模型。3.可解释性：可以引用来源文档。4.私有数据：可利用企业内部私有数据，无需上传公网训练。5.答案要点：定义：模型在训练集上表现很好，但在未见过的测试集上表现较差，泛化能力弱。技术手段：1.数据增强：增加训练数据的多样性和数量。2.正则化：L1/L2正则化，限制权重大小。3.Dropout：训练时随机丢弃神经元，防止共适应。4.早停：监控验证集Loss，不再下降时停止训练。5.简化模型：减少网络层数或参数量。六、案例分析与应用题1.答案：(1)原因分析：数据不平衡：负面样本仅占10%，模型倾向于预测多数类（正/中）。语义复杂性：“还行”、“不错”等反讽词在常规语境下为正面，但在特定语境下为负面，BERT模型若未充分学习此类上下文特征，易误判。(2)改进方案：数据处理：对负面类进行过采样（如复制、SMOTE变体）或对正/中类进行欠采样。对负面类进行过采样（如复制、SMOTE变体）或对正/中类进行欠采样。针对反讽数据构造特定样本，或进行数据增强，加入反义词替换等操作。针对反讽数据构造特定样本，或进行数据增强，加入反义词替换等操作。模型策略：加权Loss：提高负面类别的ClassWeight。FocalLoss：调整参数γ和α，聚焦难分类的负面样本。阈值调整：调整预测阈值，降低对负面类判别的门槛。Prompt微调：构造包含反讽提示的指令数据进行微调。(3