2026年人工智能教育试题及答案

2026年人工智能教育试题及答案1.单项选择题（每题2分，共20分）1.1在K-means聚类中，若初始质心选择不当，最可能导致的直接后果是A.收敛速度变慢B.聚类轮廓系数恒为1C.算法无法终止D.目标函数值一定增大答案：A1.2下列关于Transformer自注意力机制的说法，正确的是A.查询向量Q与键向量K的点积需先经过Softmax再缩放B.缩放点积中的缩放因子为√d_k，d_k为键向量维度C.掩码仅用于编码器端防止信息泄露D.多头注意力强制要求各头输出维度相等且等于模型总维度答案：B1.3联邦学习框架中，参与方上传的模型参数若被恶意篡改，服务器端可采用的鲁棒聚合策略是A.FedAvgB.FedProxC.KrumD.SGD答案：C1.4在深度强化学习的PPO算法里，clip参数ε的典型取值范围是A.0.1～0.3B.0.9～1.1C.1.5～2.0D.5～10答案：A1.5使用BERT进行中文文本分类时，若最大序列长度设为128，词表大小为21128，则嵌入层参数量约为A.128×21128B.768×21128C.128×768D.21128×768答案：B1.6在生成对抗网络中，若判别器损失快速趋近于0，而生成器损失居高不下，表明A.模式崩溃B.梯度消失C.梯度爆炸D.纳什均衡已达成答案：B1.7下列哪项技术最直接用于缓解计算机视觉任务中的类别不平衡A.MixupB.FocalLossC.DropBlockD.BatchNorm答案：B1.8知识蒸馏中，温度参数T→∞时，软标签分布趋近于A.均匀分布B.狄拉克δ分布C.正态分布D.伯努利分布答案：A1.9在边缘计算场景部署轻量级模型时，衡量模型“算力—内存—延迟”综合开销的常用指标是A.FLOPsB.BitOpsC.RooflineModelD.DRAM频率答案：C1.10下列关于GPT系列模型参数量增长趋势的描述，符合实际的是A.GPT-1到GPT-3参数量增长约1000倍B.GPT-2到GPT-3参数量增长约10倍C.GPT-1到GPT-2参数量增长约100倍D.GPT-3到GPT-4参数量下降50%答案：A2.多项选择题（每题3分，共15分；每题至少有两个正确答案，多选少选均不得分）2.1下列属于无监督数据增强策略的有A.Back-translationB.AutoAugmentC.CutMixD.TF-IDF加权答案：A、B2.2关于图神经网络GNN，下列说法正确的有A.GraphSAGE可采用均值、池化或LSTM聚合B.GCN的层数越多，节点感受野指数级扩大C.GAT中注意力系数仅与节点特征有关，与边权无关D.异构图Transformer可处理节点类型不同的图答案：A、B、D2.3在模型压缩技术中，可能引入随机失真的方法包括A.权重剪枝B.量化感知训练C.知识蒸馏D.低秩分解答案：B、C2.4下列关于AlphaFold2的描述，正确的有A.使用Evoformer模块处理MSA和配对表示B.结构模块直接输出三维坐标C.训练损失包含FAPE与辅助损失D.推理阶段无需模板信息即可达到高准确度答案：A、B、C、D2.5在自动驾驶感知系统中，多传感器融合方案可能带来的负面影响有A.时间同步误差放大B.标定偏差累积C.计算延迟降低D.系统复杂度提升答案：A、B、D3.填空题（每空2分，共20分）3.1若某卷积层输入特征图尺寸为112×112×64，采用128个3×3卷积核，步长为2，padding为1，则输出特征图尺寸为________×________×________。答案：56、56、1283.2在PyTorch中，若需冻结某层参数，应设置该层参数的________属性为False。答案：requires_grad3.3强化学习中，贝尔曼最优方程写作Q(s,a)=________+γmaxQ(s′,a′)。3.3强化学习中，贝尔曼最优方程写作Q(s,a)=________+γmaxQ(s′,a′)。答案：r(s,a)3.4若学习率调度采用余弦退火，初始lr=0.1，T_max=100，则第50个epoch的lr为________。答案：0.053.5当使用混合精度训练时，PyTorch自动缩放梯度的主要目的是防止________下溢。答案：float163.6在VisionTransformer中，位置编码常用________维向量与patch嵌入相加。答案：7683.7若某模型参数量为1.2×10^9，采用FP32存储，则完全加载所需内存约________GB。答案：4.83.8联邦学习全局模型聚合公式为θ_t+1=________∑kn_kθ_t+1^k。答案：1/N3.9在目标检测评价指标mAP@0.5中，0.5指________阈值。答案：IoU3.10若词嵌入维度为300，采用负采样5词，Skip-gram模型每个中心词更新时实际参与计算的参数总量为________维。答案：18004.判断题（每题1分，共10分；正确打“√”，错误打“×”）4.1LSTM中的遗忘门输出越接近1，表示保留越多上一时刻细胞状态信息。答案：√4.2在L2正则化下，权重衰减系数等价于优化器中的weight_decay参数。答案：√4.3使用ReLU激活的深层网络一定不会发生梯度消失。答案：×4.4在LDA主题模型中，主题数K越大，模型困惑度一定越低。答案：×4.5对比学习损失InfoNCE在负样本数量趋近无穷时，其梯度方差趋近于0。答案：√4.6在LSTM中，细胞状态c_t与隐藏状态h_t维度必须相等。答案：√4.7模型蒸馏时，学生模型容量越大，蒸馏效果一定越好。答案：×4.8图卷积网络中，自环的引入相当于对节点特征做残差连接。答案：√4.9使用BatchNorm时，训练阶段统计的均值方差直接用于测试阶段。答案：×4.10在语音合成WaveNet中，采用因果卷积保证自回归特性。答案：√5.简答题（封闭型，每题6分，共18分）5.1给出交叉熵损失对softmax输入的梯度表达式，并说明其数值稳定性优势。答案：设z为softmax输入，p为预测概率，y为one-hot标签，损失L=−∑y_ilogp_i。梯度∂L/∂z_i=p_i−y_i。优势：梯度形式简洁，避免直接计算exp(z_i)带来的溢出；可结合log-sum-exp技巧，保证数值稳定。5.2列举三种缓解Transformer在长序列上O(n²)复杂度问题的改进结构，并指出其核心思想。答案：1.Linformer：将键值矩阵投影到低维，使注意力矩阵变为n×k，复杂度O(nk)。2.Performer：采用FAVOR+机制，用随机特征映射近似softmax核，复杂度O(n)。3.Longformer：引入滑动窗口+全局注意力，稀疏模式使计算量降至O(n×w)，w为窗口大小。5.3简述DeepSpeedZeRO-3优化器如何降低显存占用，并给出其通信开销与计算重叠策略。答案：ZeRO-3将模型参数、梯度、优化器状态全分片到各GPU，每张卡仅保存1/N；前向时通过all-gather收集所需参数，反向时释放；采用梯度预取与参数收集流水线重叠通信与计算，引入量化梯度降低带宽需求。6.简答题（开放型，每题8分，共16分）6.1某中学拟利用AI开展个性化作业推荐，请设计一套符合《生成式人工智能服务管理暂行办法》的数据治理流程，需涵盖数据采集、脱敏、授权、审计、撤销五个环节，并说明如何嵌入差分隐私技术。答案：采集：仅收集学生答题序列与知识点标签，禁止原始姓名，采用Hash学号。脱敏：对文本答案使用NER识别姓名、地名后替换为[MASK]，差分隐私在统计答题正确率时加入拉普拉斯噪声ε=1。授权：家长通过教育局统一身份认证平台电子签名，授权范围细粒度到字段级，区块链存证。审计：建立模型影响评估日志，记录每次推荐依赖的特征权重，第三方每月复核。撤销：家长可在移动端一键撤回授权，系统触发“机器遗忘”模块，采用梯度上升反学习，更新推荐模型，确保撤回学生数据不再影响任何用户画像，更新完成后返回不可逆哈希证明。6.2结合“双减”背景，探讨在初中课后服务时段引入AI口语陪练的伦理风险，并提出可操作的治理方案。答案：风险：1.语音数据泄露导致身份追踪；2.算法偏见强化方言歧视；3.过度依赖降低人际交流；4.商业推荐隐含广告。治理：1.声纹脱敏：采用联邦语音特征提取，云端不存储原始波形；2.公平性测试：定期用方言测试集评估WER差异，超过5%即触发再训练；3.使用时长熔断：每日AI陪练≤20分钟，强制线下情景对话；4.商业隔离：训练数据与广告系统物理隔离，由教育局审计代码与数据流向；5.伦理委员会：家长、教师、学生代表各占1/3，每学期投票决定功能迭代方向。7.应用题（计算类，10分）7.某卷积神经网络层参数如下：输入特征图224×224×3，卷积核7×7，输出通道64，步长2，padding3。(1)计算输出特征图尺寸；(2)若采用分组卷积，分组数g=4，计算参数量；(3)若使用BN+ReLU，且采用FP16与FP32混合精度，估算该层前向+反向一次所需显存（不计缓存）。答案：(1)输出高=⌊(224+2×3−7)/2⌋+1=112，宽同理，通道64，故112×112×64。(2)分组卷积每组输入通道=3/4→向上取整为1，实际实现补零到4，每组输出通道=64/4=16；每组参数量7×7×1×16=784，总参数量4×784=3136。(3)显存包括：输入激活224×224×3×2Byte≈0.29MB；输出激活112×112×64×2Byte≈1.5MB；权重3136×2Byte≈0.006MB；反向梯度同输出激活；BNrunningmean/var64×4Byte≈0.00025MB；合计≈3.4MB。8.应用题（分析类，12分）8.某市智慧教育平台采用人脸识别进行课堂签到，系统误识率FAR=0.1%，拒识率FRR=2%，日均签到学生10万人，每人每日1次。(1)计算每日平均误识人数与拒识人数；(2)若引入主动学习，将FAR降至0.01%同时FRR升至3%，从教育公平与教学管理角度分析是否可接受；(3)给出一种结合课程出勤权重的评价指标，使得系统优化目标不再单纯追求低FAR/FRR，而是兼顾教学效果。答案：(1)误识人数=10万×0.1%=100人；拒识人数=10万×2%=2000人。(2)新误识10人，拒识3000人。教育公平：拒识增加可能使部分学生被记缺勤，影响过程性评价，需设置人工复核通道；教学管理：误识减少降低代签到风险，整体可接受，但需配套补签机制。(3)提出“加权出勤准确率”：WAcc=∑(w_i×Correct_i)/∑w_i，其中w_i=该课程学分×学生历史到课率倒数；系统优化目标改为maxWAcc，引导模型对高学分、低出勤率课程降低FRR，对低学分课程容忍稍高FAR。9.应用题（综合类，14分）9.某中学拟开发基于大模型的作文辅导系统，要求：①支持多模态输入（手写照片+语音描述）；②输出包含点评、范文、评分；③必须离线部署于校内机房，单机GPU显存24GB；④需保护学生隐私，禁止数据出境；⑤预算限20万元。任务：(1)给出模型选型与量化方案，说明理由；(2)设计数据闭环，使得教师人工批改结果能在48小时内增量更新模型；(3)列出硬件配置清单并估算成本；(4)制定安全渗透测试计划，至少包含三项测试用例。答案：(1)选型：中文LLaMA-7B+LoRA，4-bit量化后显存<6GB，留足图像编码与缓存；理由：7B参数在4-bit下生成质量可接受，LoRA微调仅训练0.2%参数，增量更新快。(2)闭环：教师批改后，系统抽取作文图像、文本、评分三元组，经本地差分隐私（ε=0.5）加噪，存入“教师知识库”；每24小时触发一次LoRA增量训练，训练数据≥200篇，采用QLoRA节省显存，训练