2025年人工智能基础应用与实操试题

2025年人工智能基础应用与实操试题2025年人工智能基础应用与实操试题考试时长：180分钟满分：100分，其中理论部分占40分，实操部分占60分，考试环境要求：预装Python3.11、Anaconda3虚拟环境，已提前部署NumPy1.26、Pandas2.2、Scikit-learn1.4、OpenCV-Python4.9、Pillow10.2、LangChain0.1.16、FAISS-CPU1.8等第三方依赖库，开放阿里云通义千问、百度文心一言官方API调试权限，本地搭载支持CUDA11.8的算力环境并预装StableDiffusionWebUIv1.8版本，禁止携带外部存储设备、未授权的自定义模型权重文件、预先编写的代码片段入场。第一部分单项选择题（共20题，每题1分，合计20分）1.以下不属于2025年主流端侧轻量化AI推理框架的选项是A.TensorFlowLite2.16B.PaddleLite2.6C.LLaMAFactoryv0.8D.MediaPipe0.10.14考点说明：LLaMAFactory为开源大模型微调训练框架，不承担端侧离线推理功能，其余三项均为面向移动端、边缘硬件的官方推理优化框架，符合实操落地场景。2.面向工业场景10Hz采样的时序传感器数据集，在数据缺失率为12%、单段连续缺失不超过3个时间步的前提下，最优缺失值处理方案为A.全量删除存在缺失值的行B.前后向线性插值填充C.全局均值填充D.KNN近邻填充考点说明：时序数据的连续性特征决定了前后向插值的误差远低于全局均值填充，删除样本会损失大量时序关联信息，KNN填充运算开销远高于插值操作不符合工业实时处理要求。3.根据2024年修订落地的《生成式人工智能服务管理暂行办法》要求，2025年国内所有面向公众开放的生成式AI服务产出内容，必须统一嵌入的合规可追溯标识为A.明水印文字B.后台用户ID签名C.C2PA标准兼容内容来源元数据D.服务商域名后缀考点说明：2024年下半年国家网信办已牵头完成生成式AI内容溯源体系建设，所有合规服务商已全面落地C2PA标准元数据嵌入机制，实现AI生成图片、文本、视频的全链路可追溯。4.在基于Scikit-learn完成二分类异常检测任务时，若业务场景要求尽可能漏过所有潜在故障样本，避免真实故障被误判为正常，模型评估指标的优先级排序应当为A.精确率>召回率>F1值B.召回率>F1值>精确率C.F1值>精确率>召回率D.三个指标权重完全相等考点说明：故障检测场景下漏检（把真实异常判断为正常）的损失远高于误检（把正常判断为异常），因此需要优先保证异常类的召回率，后续可通过人工核验排除误检样本。5.对分辨率为1920*1080的工业质检图像做边缘检测预处理，设置高斯模糊核的尺寸为以下哪一项时，既能有效滤除高频噪点，又不会过度弱化工件的边缘轮廓A.3*3B.31*31C.101*101D.201*201考点说明：针对高清工业图像的边缘检测场景，3*3高斯核是行业通用最优配置，过大的核会将图像边缘信息完全平滑，无法输出有效边缘特征。6.以下属于检索增强生成（RAG）技术核心解决的大模型落地痛点是A.大模型参数量过大无法端侧部署B.大模型生成内容幻觉、无法调用最新私有知识库信息C.大模型多模态输入兼容度不足D.大模型推理功耗过高考点说明：RAG技术通过外接私有知识库的语义召回机制，约束大模型仅基于检索到的可信内容生成回答，是2025年垂直行业大模型落地的主流方案，可直接避免大模型幻觉问题。7.将参数量为7B的开源大模型从FP16精度量化为INT4精度部署到边缘硬件，模型的显存占用可降低的比例约为A.12.5%B.50%C.75%D.90%考点说明：FP16精度下单个参数占用2字节显存，INT4精度下单个参数占用0.5字节显存，量化后显存占用仅为原来的25%，整体降低75%，可将7B大模型的推理显存需求从14GB压缩至3.5GB，适配普通消费级显卡运行。8.基于预训练Bert模型做中文文本分类任务，仅冻结前8层骨干网络参数、微调最后2层分类头的操作被称为A.全量参数训练B.迁移学习微调C.零样本学习D.少样本学习考点说明：在公开预训练模型的基础上，冻结底层通用特征提取层、仅微调上层适配垂直场景的任务层，是小样本场景下效率最高的训练方案，可将训练所需数据量降低90%以上。9.以下不属于多模态大模型输入支持范畴的媒体格式是A.3通道RGB图像B.16kHz采样的单声道音频C.3D点云空间数据D.加密后的非结构化二进制可执行文件考点说明：当前主流多模态大模型均未开放对非结构化加密二进制文件的直接输入解析能力，其余三类格式均已实现标准化输入适配。10.搭建本地AI绘图StableDiffusionWebUI服务时，若要生成符合国内中小学生插画风格的内容，优先选择的开源基础模型是A.AnythingV5B.SDXL1.0中文优化版C.RealisticVisionV6D.DeliberateV3考点说明：SDXL1.0中文优化版针对中文语义理解、国风插画风格做了专门微调，生成国内场景下的插画内容准确率远高于其余三款面向海外场景的模型。11.在数据标注实操过程中，针对智能客服意图识别数据集的标注准确率最低要求不能低于A.70%B.80%C.95%D.99.9%考点说明：行业通用的AI训练数据集标注准确率基准为95%，标注准确率低于该阈值会直接导致模型收敛效果大幅下降，无法达到落地要求。12.以下AI应用场景中，属于低风险合规可直接落地的场景是A.利用公共摄像头无差别采集路人面部信息做身份统计B.基于公开开源数据集训练农作物病虫害识别模型供农户免费使用C.大模型生成内容仿冒他人知名作家的署名发布作品D.未经授权抓取全网用户聊天记录训练个性化对话机器人考点说明：其余三个场景均违反《个人信息保护法》《生成式人工智能服务管理暂行办法》相关要求，属于高风险不合规场景。13.基于OpenCV调用摄像头做实时画面推理，要将输入的BGR格式图像转换为PyTorch模型要求的RGB格式，正确的代码操作是A.cv2.cvtColor(img,cv2.COLOR_BGR2RGB)B.cv2.flip(img,1)C.cv2.GaussianBlur(img,(3,3),0)D.cv2.resize(img,(224,224))考点说明：OpenCV默认读取摄像头画面的色彩通道顺序为BGR，而主流计算机视觉预训练模型全部基于RGB通道顺序训练，不做通道转换会直接导致识别准确率下降30%以上。14.以下向量嵌入模型中，针对中文长文本语义召回效果最优的2025年主流开源模型是A.text-embedding-ada-002B.bge-small-zh-v1.5C.GloVe6BD.Word2Vec中文维基训练版考点说明：bge系列中文向量模型是当前开源领域中文语义召回准确率最高的轻量级模型，其余三款模型的中文语义理解能力远低于前者。15.训练二分类机器学习模型时，训练集准确率达到99%但测试集准确率仅为62%，最可能出现的问题是A.模型欠拟合B.模型过拟合C.学习率设置过低D.训练样本量过大考点说明：过拟合是指模型过度学习训练集中的局部噪声特征，在未见过的测试集上泛化能力大幅下降，是机器学习训练实操中最常见的问题。16.要实现单张AIGC生成图片分辨率为1024*1024、生成耗时低于2秒，适配算力要求最低的显卡显存配置是A.2GB显存B.4GB显存C.8GB显存D.24GB显存考点说明：经过量化优化的SDXL1.8版本在8GB显存的消费级显卡上可实现1024分辨率图片的2秒以内生成，无需更高端的算力硬件。17.智能语音识别系统在强背景噪声环境下识别准确率大幅下降，最有效的预处理优化操作是A.音频降噪滤波B.将采样率从16kHz提升至192kHzC.直接丢弃所有噪声超过阈值的音频片段D.增加语音的音量增益到最大范围考点说明：降噪滤波操作可有效过滤环境中的高频噪声，保留有效语音特征，是行业内通用的抗噪声优化方案。18.以下不属于Python环境中AI推理过程内存溢出问题的常用解决优化方案是A.降低模型推理的批次batch_size大小B.将大模型从FP16精度量化为INT8/INT4精度C.增大训练数据集的样本总量D.及时释放未使用的Python变量手动清理显存考点说明：增大数据集样本量不会降低推理阶段的显存占用，反而可能进一步加剧内存溢出问题。19.在RAG知识库切片操作过程中，设置切片之间的overlap重叠区域的核心作用是A.减少向量库的存储占用B.避免语义关键词被拆分到不同切片中导致语义召回断裂C.提升切片的处理速度D.降低大模型生成的响应速度考点说明：合理的切片重叠设置可保证完整语义片段不会被拆分，避免关键信息遗漏，是RAG搭建过程中的核心优化参数。20.2025年国内主流面向工业场景的开源全栈AI开发框架是A.百度飞桨PaddlePaddleB.PyTorchC.TensorFlowD.MXNet考点说明：百度飞桨作为国内自主研发的全栈AI开发框架，2025年在国内工业AI落地场景的市场占比已超过40%，配套大量面向工业质检、时序预测的开箱即用预训练模型。第二部分多项选择题（共10题，每题2分，合计20分，多选、少选、错选均不得分）1.端侧AI模型轻量化部署的常用优化技术手段包含以下哪些选项A.模型结构化剪枝B.低比特精度量化C.师生模型知识蒸馏D.算子融合硬件适配考点说明：以上四项均为行业通用的模型轻量化优化手段，综合使用可将模型体积压缩为原始体积的1/10以下，推理速度提升5-10倍。2.基于RAG技术搭建垂直行业知识库问答系统，核心标准流程包含以下哪些环节A.本地私有文档加载与预处理切片B.中文文本向量化生成向量库C.语义检索召回与查询问题关联的知识库片段D.构造提示词约束大模型基于召回内容生成回答考点说明：四个环节完整覆盖RAG全链路操作，任何环节缺失都会导致知识库问答系统无法正常运行。3.基于OpenCV开发工业工件边缘检测应用时，可能影响最终检测准确率的常见干扰因素包含A.拍摄场景光照不均引入的局部阴影噪声B.Canny边缘检测的高低阈值参数设置偏差C.待检测工件图像分辨率低于30*30像素无法保留边缘特征D.高斯模糊核尺寸选择不当考点说明：以上四类都是边缘检测实操中常见的影响准确率的因素，调试过程中需要逐一排查解决。4.符合《生成式人工智能服务管理暂行办法》要求的AIGC内容生成与发布操作规范包含A.对生成的人脸类图像内容经过合规校验，不得生成侵权伪造他人肖像的内容B.对生成的文本内容添加溯源水印标识C.未经授权不得利用AIGC生成内容伪造新闻信息D.直接将生成的未做人工核验的内容对外发布给公众考点说明：所有对外发布的AIGC生成内容必须经过人工核验确认无违法违规内容，才可面向公众发布。5.结构化数据机器学习分类任务实操环节中，特征工程阶段可实现的标准操作包含A.类别特征独热编码/标签编码B.数值特征归一化/标准化处理C.基于树模型输出特征重要性排序过滤低价值特征D.直接删除所有存在缺失值的样本考点说明：直接删除所有缺失值样本会导致大量有效信息损失，不属于规范的特征工程操作。6.以下属于多模态AI典型落地应用场景的是A.上传一张故障设备的拍摄图片，AI自动返回对应的维修操作指导说明B.输入一段语音指令，AI自动生成对应的PPT演示文稿C.输入一段视频内容，AI自动生成对应的文字字幕与内容摘要D.输入一串手机号，AI直接生成对应的用户征信报告考点说明：输入手机号生成征信报告属于用户隐私违规场景，不属于合法的多模态AI应用。7.基于预训练模型做小样本计算机视觉图像分类任务，可有效提升模型泛化能力的数据增强操作包含A.图像随机水平/垂直翻转B.图像亮度、对比度、饱和度随机偏移±20%C.图像随机添加椒盐噪声D.直接将所有图像像素值全部置为0考点说明：将所有像素置0属于无效操作，无法为模型训练提供有效特征。8.AI应用落地项目实施过程中，数据标注环节的核心质量管控要求包含A.标注规则提前明确对齐所有标注人员B.标注完成后抽取10%样本做二次核验，核验不合格的批次全部返厂重标C.允许标注人员根据个人主观判断随意修改标注规则D.敏感类个人信息标注数据全程加密存储，禁止外传考点说明：标注规则必须统一固定，不得由标注人员随意调整，否则会导致标注数据集标签混乱。9.以下PythonAI开发相关的操作中，属于可正常运行的安全合规操作的是A.导入pandas库读取本地公开数据集文件做数据分析B.调试官方公开的开源AI模型权重文件C.未经授权批量爬取全网用户个人隐私数据训练自定义模型D.调用已申请合法权限的大模型开放API做测试考点说明：未经授权爬取用户隐私数据属于违法行为，不符合合规要求。10.降低大模型推理服务响应延迟的常用优化方案包含A.开启推理服务的动态批处理请求聚合机制B.使用KVCache缓存优化技术C.将模型部署到更高算力的GPU硬件上D.完全关闭模型所有的量化优化选项考点说明：关闭量化优化会大幅提升显存占用、降低推理速度，无法降低响应延迟。第三部分实操考核部分（合计60分，三个任务分值分别为20分、20分、20分）实操任务一：结构化用电异常分类模型训练与导出（20分）提供本地公开数据集为2024年国内某城市12560条智能电表用户标注样本，字段包含用户ID、近30天日均用电量、峰谷用电占比、电表通信失败次数、历史异常报修次数、用户用电属性（居民/商业/工业）、是否为盗电/故障异常（标签字段，0=正常，1=异常，异常样本占比为8.7%），要求考生在40分钟内完成以下操作：1.数据集清洗操作：剔除完全重复的样本，对用电量超过99分位数的样本标记为待验证样本保留、不得直接删除，采用分层抽样方式按照7:2:1的比例划分训练集、验证集、测试集，输出三个数据集的样本量统计报告，本项分值4分；若直接删除异常用电量样本，扣除本项全部分值。2.特征工程操作：对类别特征“用户用电属性”完成独热编码，对所有数值特征做Z-Score标准化处理，训练五折交叉验证的随机森林模型输出所有特征的特征重要性排序表，输出排名前三的特征名称，本项分值6分；特征重要性排序误差超过2项直接扣除3分。3.多模型训练评估：分别训练逻辑回归、随机森林、LightGBM三个二分类模型，在测试集上统计异常类的精确率、召回率、F1值，选出最优模型，要求异常类召回率最低达到92%以上，输出三个模型的评估指标对比表格，本项分值7分；若最优模型异常类召回率低于90%直接扣除5分，低于80%本项不得分。4.模型轻量化导出：将选出的最优模型导出为ONNX格式文件，编写不超过3行的Python推理代码实现输入单条7字段样本直接返回0/1的预测结果，本项分值3分；推理代码存在运行bug不得分。实操任务二：端侧实时人员未佩戴胸卡视觉识别应用开发（20分）任务背景为园区智能门禁场景，要求考生现场在考场范围内用个人手机拍摄120张图像样本，其中60张为人员佩戴胸卡的正样本、60张为未佩戴胸卡的负样本，不得使用外部下载的样本图片，在50分钟内完成以下操作：1.数据预处理与增强：调用OpenCV接口将所有图像归一化调整为224*224分辨率，依次完成随机水平翻转、亮度±15%偏移、添加高斯噪声三类增强操作，扩充后的总样本量不得低于720张，输出扩充后的样本总量统计报告，本项分值5分；总样本量不足720张直接扣除2分。2.迁移学习微调：调用torchvision库中的预训练MobileNetV3轻量化模型，冻结前8层骨干网络参数，用扩充后的数据集训练15个epoch，从扩充数据集中随机抽取15%作为独立测试集，要求测试集识别准确率不低于94%，输出训练过程的损失函数下降曲线截图，本项分值7分；测试集准确率低于90%直接扣除5分。3.实时推理功能实现：调用本地摄像头采集实时画面，在画面上自动绘制识别结果标签，检测到未佩戴胸卡人员时自动弹出红色告警弹窗，要求单帧推理延时不超过120ms，输出时长超过30秒的实时运行效果录屏文件，本项分值6分；单帧推理延时超过200m