2026年《人工智能》试卷A及答案

2026年《人工智能》试卷A及答案一、单项选择题（本大题共15小题，每小题2分，共30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，请将其代码填写在题后的括号内。错选、多选或未选均无分。1.基于Transformer架构的多模态大模型中，注意力机制的核心作用是（）A.降低模型参数量B.动态计算输入序列各元素的权重关联C.提升模型训练速度D.减少梯度消失风险2.2025年OpenAI发布的GPT-4o模型在单轮中文常识问答任务中的准确率已达到96.8%，该类任务评估属于大模型能力体系中的（）A.涌现能力评估B.基础认知能力评估C.工具调用能力评估D.对齐能力评估3.下列联邦学习类型中，适用于参与方数据集特征重叠度高、样本重叠度低的场景的是（）A.横向联邦学习B.纵向联邦学习C.联邦迁移学习D.去中心化联邦学习4.深度伪造检测任务中，目前工业界主流的端到端检测模型平均识别准确率为98.2%，其核心识别依据通常不包括（）A.人脸关键点异常偏移B.光照与场景的物理一致性偏差C.文本语义逻辑错误D.帧间伪影的频率特征差异5.自动驾驶感知系统中，纯视觉方案与多传感器融合方案的核心差异在于（）A.是否依赖高精度地图B.是否具备3D空间建模能力C.是否使用激光雷达点云数据D.是否支持OTA在线升级6.下列人工智能伦理风险中，属于“对齐风险”范畴的是（）A.大模型生成包含种族歧视的回答B.训练数据泄露用户个人隐私C.自动驾驶系统硬件故障导致事故D.生成式AI侵犯原作者著作权7.针对参数规模为70B的大语言模型，若采用4-bit量化技术存储，理论上所需的显存空间约为（）A.35GBB.70GBC.140GBD.280GB8.RAG（检索增强生成）技术中，向量数据库的召回率直接影响生成内容的准确性，工业级应用中Top-5召回率的及格标准通常为（）A.80%B.85%C.90%D.95%9.下列强化学习算法中，属于离线策略（Off-Policy）的是（）A.PPOB.DQNC.REINFORCED.A2C10.小样本学习（Few-ShotLearning）的核心目标是（）A.无需标注数据即可完成模型训练B.仅通过少量标注样本实现特定任务的泛化C.降低模型推理阶段的计算资源消耗D.提升模型在分布外数据上的表现11.人工智能生成内容（AIGC）的版权归属判定中，2025年我国最新司法解释明确，若生成过程中人类创作者提供了明确的创意引导、参数调整和结果筛选，版权应归属于（）A.大模型开发方B.人类创作者C.大模型运营方D.公共领域所有12.下列关于Agent自主智能体的描述，错误的是（）A.具备自主感知、规划、决策、执行的闭环能力B.2025年主流Agent的工具调用成功率平均可达92%C.无法实现多个Agent之间的协作完成复杂任务D.核心组件包括记忆模块、推理模块、工具调用模块13.差分隐私技术中，隐私预算ε的取值与隐私保护强度的关系是（）A.ε越小，隐私保护强度越高B.ε越大，隐私保护强度越高C.ε取值与保护强度无关D.只有ε为0时才具备隐私保护能力14.计算机视觉领域中，2025年发布的SAM2.0模型的核心能力是（）A.高精度图像生成B.通用目标分割与跟踪C.实时视频风格迁移D.3D点云重建15.人工智能芯片中，存算一体架构的核心优势是（）A.支持更高的浮点计算精度B.解决冯·诺依曼瓶颈，降低数据搬运功耗C.兼容更多类型的深度学习框架D.大幅提升芯片的生产良率二、多项选择题（本大题共5小题，每小题4分，共20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，请将其代码填写在题后的括号内。错选、多选、少选或未选均无分。1.大语言模型的幻觉问题的常见成因包括（）A.训练数据存在错误或冲突B.注意力机制的权重分配偏差C.解码阶段的随机性采样D.模型对齐不充分E.推理阶段计算精度不足2.下列属于多模态大模型评估指标的有（）A.图文匹配准确率B.视频理解召回率C.语音识别字错率D.代码生成通过率E.跨模态检索精度3.人工智能在医疗领域的落地应用中，已通过我国NMPA三类医疗器械认证的场景包括（）A.肺结节CT影像辅助诊断B.糖尿病视网膜病变筛查C.抗肿瘤药物分子生成D.手术机器人辅助路径规划E.精神病临床诊断4.下列关于Sora视频生成模型的描述，正确的有（）A.采用扩散Transformer架构实现视频时序建模B.最高支持生成4K分辨率、1分钟时长的高清视频C.能够准确模拟物理世界的碰撞、流体等运动规律D.2025年公开版本的生成视频不存在时序逻辑错误E.训练数据包含大量公开视频与文本配对数据5.人工智能安全治理的核心措施包括（）A.大模型训练数据备案制度B.生成内容水印溯源机制C.算法分级分类备案管理D.高风险AI应用准入审核E.用户个人信息匿名化处理三、简答题（本大题共3小题，每小题6分，共18分）1.请简述大模型参数高效微调（PEFT）技术的核心思路，列举3种常见的PEFT方法并分别说明其适用场景。2.请简述计算机视觉任务中，传统卷积神经网络（CNN）与VisionTransformer（ViT）的核心差异，以及2024年以来二者融合架构的技术优势。3.请简述AI应用落地过程中“可解释性”的实际价值，列举2种工业界常用的可解释性方法并说明其应用场景。四、综合应用题（本大题共2小题，第1小题15分，第2小题17分，共32分）1.某商业银行计划部署智能客服大模型，用于处理客户的账户查询、业务咨询、投诉处理三类需求，要求回答准确率不低于98%，用户信息泄露风险为0，且能够准确识别风险话术拒绝违规操作。请你完成以下方案设计：（1）从技术架构层面设计该智能客服的完整技术链路，明确各模块的核心功能与指标要求（8分）（2）针对用户隐私保护需求，提出3种具体的技术保障措施并说明其实现逻辑（7分）2.某自动驾驶公司计划迭代城市道路NOA（导航辅助驾驶）系统，现有方案在雨雾天气下的障碍物检测漏检率为3.2%，静态障碍物识别准确率为89%，无法满足量产要求。请你完成以下优化方案设计：（1）分析现有方案在雨雾天气下性能下降的核心原因（7分）（2）从感知算法、数据补充、后处理三个层面提出具体的优化路径，明确每个路径的优化目标与评估指标（10分）一、单项选择题（每小题2分，共30分）1.B2.B3.A4.C5.C6.A7.A8.C9.B10.B11.B12.C13.A14.B15.B二、多项选择题（每小题4分，共20分）1.ABCD2.ABCE3.ABD4.ABE5.ABCDE三、简答题（每小题6分，共18分）1.参考答案核心思路：不更新大模型全部参数，仅微调少量额外参数或部分模型层，在达到接近全参数微调效果的同时，大幅降低训练的计算与存储成本（2分）。常见方法及适用场景：①LoRA（低秩适配）：在Transformer的注意力层插入低秩矩阵，仅训练该矩阵参数，适用于大模型下游任务快速适配，训练成本仅为全参数微调的5%左右（1.5分）；②前缀微调（PrefixTuning）：固定模型主体参数，仅优化输入层的前缀向量，适用于生成类任务的场景，可快速适配不同风格的生成需求（1.5分）；③适配器微调（AdapterTuning）：在Transformer层之间插入小型适配器网络，仅训练适配器参数，适用于多任务并行适配的场景，支持多任务快速切换（1分）。评分标准：核心思路表述准确得2分，三种方法每种描述清楚名称、技术逻辑、适用场景各得1-1.5分，表述不完整酌情扣分。2.参考答案核心差异：①特征提取逻辑：CNN通过局部卷积核提取局部特征，依赖滑动窗口实现空间关联，具备固有归纳偏置；ViT通过自注意力机制计算全局像素关联，无固有归纳偏置，需要更多数据学习空间规律（2分）；②计算特性：CNN的计算量随输入尺寸线性增长，小尺寸输入效率更高；ViT的计算量随输入尺寸呈平方级增长，但全局建模能力更强（1分）。融合架构的技术优势：2024年以来的ConvNeXt、Uniformer等融合架构，结合了CNN的局部特征提取效率、低数据需求优势与ViT的全局建模能力，在图像分类、检测、分割任务中，相比纯ViT平均准确率提升2-3个百分点，训练数据需求降低30%，推理速度提升40%，兼顾了性能与落地效率（3分）。评分标准：核心差异每点1-2分，融合架构优势说明清晰得3分，数据误差在10%以内不扣分。3.参考答案实际价值：可解释性是AI系统合规落地的核心要求，能够帮助业务人员理解AI决策的依据，排查决策错误的原因，提升用户对AI系统的信任度，同时满足金融、医疗等高风险领域的监管要求（2分）。常用方法及应用场景：①SHAP值法：通过计算每个特征对模型输出的贡献值，量化特征的影响程度，适用于金融风控、信贷审批等需要明确决策依据的场景，可输出每个审批结果的关键影响特征（2分）；②类激活映射（CAM）：针对计算机视觉模型，可视化输出模型决策的关注区域，适用于医疗影像辅助诊断场景，可标注模型判断病变的具体位置，辅助医生复核（2分）。评分标准：实际价值表述准确得2分，两种方法每种说明清楚技术逻辑与应用场景各得2分，方法与场景不匹配扣1分。四、综合应用题（共32分）1.参考答案（1）技术链路设计（8分）：①输入预处理模块：负责语音转文字（ASR）、敏感信息过滤，要求ASR字错率≤0.5%，用户身份证号、银行卡号等敏感信息识别准确率100%，自动脱敏后进入后续链路（2分）；②意图识别与路由模块：基于小样本微调的分类模型，区分三类用户需求，识别准确率≥99.5%，风险话术识别准确率100%，识别到违规操作直接转入人工客服（2分）；③RAG检索生成模块：构建银行业务知识库向量数据库，Top-5召回率≥95%，基于召回结果生成回答，要求回答与知识库内容一致性≥98%，禁止生成知识库外的违规内容（2分）；④输出校验与人工兜底模块：对生成结果进行合规校验、事实性校验，校验不通过的内容自动触发人工客服介入，整体回答准确率≥98%，用户满意度≥90%（2分）。（2）隐私保护措施（7分）：①输入侧数据脱敏：采用正则表达式+命名实体识别技术，自动识别用户输入中的身份证、银行卡、手机号等隐私信息，替换为脱敏符号后再进入模型处理，确保模型无法接触原始隐私数据，实现逻辑为预处理阶段的实体识别规则100%覆盖所有敏感信息类型（2.5分）；②本地化部署+联邦学习训练：大模型与知识库全部部署在银行本地私有云，不接入公网，若需要优化模型，采用横向联邦学习技术，在不共享用户原始数据的前提下联合多分行数据训练，确保用户数据不出本地域（2.5分）；③推理侧数据零存储：设置内存自动清理机制，用户会话结束后1分钟内自动清除所有会话数据、中间计算结果，不存储任何用户交互的原始内容，仅留存脱敏后的会话统计数据用于服务质量评估（2分）。评分标准：技术链路每个模块说明清楚功能与指标得2分，逻辑合理即可酌情给分；隐私措施每种说明清楚实现逻辑与效果得2-2.5分，符合银行实际安全要求即可。2.参考答案（1）性能下降核心原因（7分）：①数据层面：现有训练数据中雨雾天气场景占比仅为3%，模型未充分学习雨雾下的成像特征，雨雾导致的图像对比度下降、边缘模糊、噪声增加，与训练集的干净数据分布存在明显差异，属于分布外样本，导致模型泛化能力不足（3分）；②算法层面：现有感知模型以2D图像特征提取为主，未引入天气退化模型，无法分离雨雾噪声与有效障碍物特征，雨雾遮挡导致障碍物的局部特征缺失，特别是静态障碍物（如路障、掉落货物）的纹理特征被覆盖，识别准确率下降（2分）；③传感器层面：雨雾会导致摄像头进光量下降、镜头眩光，激光雷达点云的反射率降低、有效点云数量减少30%以上，多传感器融合的标定参数在雨雾下失效，无法实现特征互补（2分）。（2）优化路径（10分）：①感知算法优化（4分）：引入天气前置修复模块，基于扩散模型实现雨雾图像的实时去雾，去雾后图像的峰值信噪比（PSNR）≥35dB，特征相似度（SSIM）≥0.95；优化2D-3D融合检测模型，增加点云特征的权重，针对静态障碍物增加几何特征提取分支，不依赖纹理特征实现识别，目标是雨雾天气下静态障碍物识别准确率提升至97%以上，漏检率≤0.5%。②数据补充（3分）：扩充雨雾场景训练数据，通过真实采集+仿真生成结合的方式，将雨雾场景数据占比提升至15%，其中包含小雨、中雨、暴雨、雾天等不同等级的天气场景，覆盖不同光照、不同