2026年人工智能训练师（三级）专业能力考试题库及答案

2026年人工智能训练师（三级）专业能力考试题库及答案一、单项选择题（共30题，每题1分，共30分。每题只有1个正确答案）1.在人工智能项目的数据生命周期中，数据清洗的核心目的是什么？A.增加数据样本的数量B.提高数据质量，消除噪声和异常值，提升模型训练效果C.将非结构化数据全部转换为结构化数据D.对数据进行加密保护以防止泄露2.评估分类模型性能时，若某一个类别的样本数量远少于其他类别，此时最不宜单独使用的评估指标是？A.精确率B.召回率C.准确率D.F1分数（F1-Score）3.在大语言模型（LLM）的微调阶段，监督微调（SFT）的主要作用是？A.让模型学习大规模无标注文本的通用语言表示B.利用人类标注的指令-响应对，使模型遵循指令并完成特定任务C.通过奖励模型优化模型的生成策略D.降低模型的参数量以实现端侧部署4.某图像分类任务中，模型将50个正样本中的45个预测为正样本，将100个负样本中的10个预测为正样本。该模型的召回率为？A.0.90B.0.82C.0.10D.0.455.在强化学习（RLHF）中，奖励模型的输入通常是？A.用户的初始提示词和模型生成的回复B.模型的权重参数C.训练集的原始语料D.模型的损失函数值6.以下哪种方法属于处理数据缺失值的合理方式？A.直接删除所有包含缺失值的特征列B.使用该特征的均值或中位数进行填充C.将缺失值统一替换为一个固定的极大常数D.放弃使用该数据集7.在文本数据预处理中，词袋模型的主要缺点是？A.计算复杂度过高B.忽略了词语之间的语序和上下文关系C.无法将文本转换为向量D.只能处理英文文本8.人工智能训练师在进行数据标注时，为了保证标注一致性，通常最先制定的文档是？A.数据安全保密协议B.标注规范与操作指南C.模型评估报告D.算法架构说明书9.某二分类模型的精确率为0.80，召回率为0.60。其F1分数为？A.0.70B.0.68C.0.75D.0.7210.在模型训练过程中，出现训练损失持续下降但验证损失开始上升的现象，这通常被称为？A.欠拟合B.过拟合C.梯度消失D.收敛11.K折交叉验证中，将数据集D划分为K个大小相似的互斥子集，每次用K-1个子集的并集作为训练集，余下的1个子集作为测试集。若数据集D包含10000个样本，设置K=5，则每次训练集的样本数量为？A.2000B.8000C.5000D.1000012.在Python的Pandas库中，用于删除包含缺失值的行的正确方法是？A.df.fillna(0)B.df.dropna()C.df.drop()D.df.isnull()13.若一个分类任务中，正负样本比例为1:99，直接训练模型会导致模型倾向于全部预测为负类。以下哪种策略不适用于解决该问题？A.对正类进行过采样B.对负类进行欠采样C.使用准确率作为唯一的损失函数评估标准D.使用SMOTE算法生成合成样本14.在信息检索领域，常用于评估搜索结果质量的指标NDCG的主要考量维度是？A.结果的准确率和召回率B.结果的相关性和排名位置C.结果的响应时间D.结果的文档长度15.对于命名实体识别（NER）任务，最常用的标注体系是？A.IOB体系B.TF-IDF体系C.PageRank体系D.Apriori体系16.人工智能训练师在测试智能语音助手时，发现其在嘈杂环境下的语音识别率大幅下降。这种测试属于？A.功能测试B.边界测试C.鲁棒性测试D.压力测试17.在大模型评估中，BLEU分数主要应用于哪种任务？A.文本分类B.机器翻译C.图像分割D.语音合成18.计算机视觉任务中，将图像中的每个像素分配到特定类别的任务称为？A.图像分类B.目标检测C.语义分割D.实例分割19.以下哪项不是聚类算法（如K-Means）在人工智能数据分析中的典型应用？A.用户画像群体划分B.异常点检测C.标签预测D.无监督数据探索20.在Python中，用于绘制数据分布和箱线图以发现异常值的常用可视化库是？A.NumPyB.MatplotlibC.PandasD.Scikit-learn21.某推荐系统的召回阶段，从千万级商品库中筛选出500个候选商品。这500个商品进入排序阶段，排序模型使用的主要算法通常属于？A.基于规则的过滤B.粗排模型C.精排模型D.多目标融合模型22.大模型推理时，温度参数的作用是？A.控制模型生成的最大长度B.控制模型输出的随机性和多样性C.调节模型对低概率词汇的惩罚程度D.决定是否使用束搜索23.在模型部署阶段，A/B测试的主要目的是？A.比较新旧版本模型在线上环境中的实际效果，以决定是否全量上线B.测试代码的运行速度C.检验数据的安全性D.评估硬件资源的消耗24.在构建多轮对话数据集时，为了保持对话上下文的连贯性，训练数据通常需要组织为？A.独立的单轮问答对B.包含历史对话轮次的列表或序列结构C.词频统计矩阵D.图结构的节点和边25.人工智能训练师需要对一批图片进行目标检测框的标注。若某物体被遮挡，标注框的绘制原则通常是？A.仅标注可见部分B.推测被遮挡部分的完整边界进行标注C.忽略该被遮挡物体D.将遮挡物和被遮挡物合并为一个框26.数据标注流程中，为了降低标注人员主观差异带来的误差，通常采取的措施是？A.减少标注人员的数量B.实施多人标注并计算标注一致性（如Cohen'sKappa系数）C.取消标注规范，让标注者自由发挥D.只安排初级标注员参与27.逻辑回归模型在解决二分类问题时，其输出的实际意义是？A.样本属于正类的概率B.样本的特征权重之和C.样本的类别标签绝对值D.决策边界的距离28.特征工程中，对连续数值特征进行离散化处理的作用不包括？A.引入非线性，提升模型表达能力B.增强模型对异常值的鲁棒性C.减少计算量并降低过拟合风险D.完全消除特征之间的多重共线性29.在语音识别（ASR）系统的测试中，字错率（CER）的计算公式中，分母通常为？A.识别出的字数B.标准文本的总字数C.替换的字数D.删除的字数30.人工智能训练师在进行大语言模型的提示词优化时，采用“思维链”技术的核心目的是？A.减少提示词的长度B.引导模型逐步推理，提高复杂逻辑问题的解答准确率C.加快模型的推理速度D.降低模型的Token消耗二、多项选择题（共10题，每题2分，共20分。每题有2个或2个以上正确答案，错选、漏选均不得分）31.在大语言模型（LLM）的整个生命周期中，人工智能训练师可能承担的工作包括？A.预训练语料的清洗与去重B.指令微调（SFT）数据集的构建与质量评估C.强化学习中的偏好数据排序标注D.模型推理阶段的Prompt设计与调优32.处理类别不平衡问题的常用策略包括？A.欠采样多数类B.过采样少数类C.使用FocalLoss等代价敏感损失函数D.更换数据集评估指标，采用F1或AUC代替准确率33.在评估目标检测模型（如YOLO系列）时，常用的评价指标包括？A.平均精度均值B.交并比C.字错率（CER）D.推理速度（FPS）34.以下关于机器学习中过拟合和欠拟合的描述，正确的有？A.欠拟合通常表现为模型在训练集和测试集上误差都很高B.过拟合通常表现为模型在训练集上误差很低，但在测试集上误差很高C.增加模型复杂度、添加更多特征通常有助于缓解欠拟合D.使用正则化、增加训练数据量通常有助于缓解过拟合35.在文本特征提取中，TF-IDF算法的优势和特点包括？A.能够过滤掉常见的停用词，突出关键词B.能够保留文本的词序信息C.计算简单，可解释性强D.能够衡量词语对文档集的重要程度36.在数据标注的质量控制环节，影响标注质量的主要人为因素有？A.标注员对业务规则的理解偏差B.标注员的主观判断差异C.标注工具的界面操作复杂度D.标注任务的疲劳度与工作时长37.模型部署上线后，人工智能训练师需要持续监控的指标包括？A.模型的线上预测准确率与延迟B.数据漂移情况C.线上请求的吞吐量D.业务指标（如点击率、转化率）的变化38.在大语言模型的评估中，自动化客观评估和人工主观评估各有优缺点。以下描述正确的有？A.客观评估（如准确率、BLEU）可重复性高，成本较低B.主观评估更符合人类真实偏好，但成本高且存在个体差异C.客观评估能够完全替代主观评估D.目前业界通常采用“客观评估为主，主观评估为辅”的混合策略39.关于K-Means聚类算法，以下说法正确的有？A.算法需要预先指定聚类的簇数KB.算法对初始聚类中心的选择较为敏感C.算法能够自动发现非凸形状的簇D.算法的最终聚类结果可能陷入局部最优解40.在强化学习中，近端策略优化算法（PPO）常用于大模型的RLHF阶段。其主要特点包括？A.通过限制策略更新的步长，保证训练的稳定性B.属于基于价值的强化学习算法C.能够有效避免模型在优化奖励模型时发生崩溃D.需要同时维护Actor网络和Critic网络三、填空题（共10题，每题2分，共20分）41.在分类任务评估中，混淆矩阵中的假阳性也被称为________误差，假阴性（FN）也被称为________误差。42.数据预处理中，常用________方法将不同量级的特征缩放到均值为0、标准差为1的分布，以消除量纲影响。43.大语言模型训练通常分为预训练、监督微调（SFT）和________三个主要阶段，其中最后一个阶段主要用于对齐人类偏好。44.在Python中，使用正则表达式提取文本中的日期，若需要匹配“2026年”这样四位数字加“年”的格式，正则表达式可写为________。45.目标检测模型评估中，IoU的全称是________，它用于衡量预测框与真实框的重合程度。46.某图像分类模型在测试集上预测出了40个正例，其中真正例为30个，假正例为10个。未预测出的正例共有20个。该模型的召回率为________。47.在模型训练时，损失函数用于衡量模型预测值与真实值之间的差异。对于二分类问题，最常用的损失函数是________损失。48.在大模型推理阶段，Top-P采样（也称为核采样）是指模型在生成下一个词时，从累积概率达到________的最小词集合中进行采样。49.人工智能项目流程中，数据漂移是指在模型上线后，线上数据的分布与________数据的分布产生了显著差异。50.为了防止过拟合，神经网络训练中常采用Dropout技术，其原理是在每次训练迭代中，以一定概率________隐藏层的部分神经元。四、简答题（共5题，每题4分，共20分）51.简述精确率和召回率的定义，并说明在实际业务中（如医疗疾病筛查场景）为何通常需要在两者之间进行权衡。52.简述大语言模型训练中“人类反馈强化学习（RLHF）”的三个主要步骤。53.在人工智能数据标注项目管理中，“数据脱敏”的目的是什么？请列举至少三种需要对文本数据进行脱敏处理的个人敏感信息类型。54.简述交叉验证的基本原理，并说明K折交叉验证如何帮助评估模型的泛化能力。55.人工智能训练师在模型测试阶段发现模型存在“过拟合”问题。请列举并简述三种常用的解决过拟合的方法。五、综合应用与计算题（共3题，每题10分，共30分）56.某安全防护系统引入了AI模型对网络攻击进行检测。现从线上环境中抽取了1000条网络请求日志作为测试集。已知测试集中实际包含80条恶意攻击请求和920条正常请求。模型预测结果显示：模型将60条恶意请求正确判定为攻击，将20条恶意请求错误判定为正常，将10条正常请求错误判定为攻击，其余正常请求判定正确。请根据以上信息完成以下计算与分析（计算结果保留两位小数）：（1）构建该测试结果的混淆矩阵（写出TP,FP,FN,TN的数值）。（2）计算该模型的准确率。（3）计算该模型的精确率。（4）计算该模型的召回率。（5）计算该模型的F1分数（F1-Score）。（6）分析：在该安全防护场景中，如果只能优化一项指标，人工智能训练师应优先追求高精确率还是高召回率？请说明理由。57.某互联网公司需要开发一个自动问答系统，知识库包含10万条人工审核的问答对。初期系统采用了传统的基于BM25算法的检索系统，但测试发现部分长尾问题无法准确召回。现人工智能训练师需评估是否引入大语言模型（LLM）结合检索增强生成（RAG）技术进行系统升级。（1）写出RAG系统的核心工作流程（包含数据索引阶段和在线检索生成阶段）。（2）为评估RAG系统的效果，人工智能训练师需要收集并标注一个包含2000条测试问题的评估集。对于每一个测试问题，标注员需要记录哪些关键信息以支持RAG系统的全面评估？（列出至少4项关键标注字段）（3）在评估指标方面，除了计算检索阶段的召回率，生成阶段应如何评估LLM回答的质量？请设计一套包含至少3个维度的综合评估指标体系。58.某图像分类数据集包含猫、狗、鸟、鱼四类图像，数据量分别为：猫5000张、狗4000张、鸟800张、鱼200张。总计10000张。人工智能训练师需要基于该数据集训练一个图像分类模型。（1）分析该数据集的特征并指出可能存在的问题。（2）针对该问题，列举两种基于数据层面的解决办法，并说明如何具体实施。（3）如果仅通过改变损失函数来缓解该问题，写出或描述FocalLoss的数学公式，并解释其核心原理。（4）若在训练完成后，模型对“鸟”类的召回率仍然偏低，但在验证集中“鸟”的样本并不少。请列出两种排查和调优的思路。参考答案及解析一、单项选择题（共30题，每题1分，共30分）1.【答案】B【解析】数据清洗的主要目的是检测并纠正数据中的错误、噪声、缺失值和异常值，从而提高数据质量，为后续的模型训练提供可靠的基础，提升模型的泛化能力。2.【答案】C【解析】准确率是预测正确的样本数占总样本数的比例。在类别极度不平衡的情况下（如正样本仅占1%），即使模型将所有样本预测为多数类（负类），准确率也能达到99%，但这掩盖了模型无法识别正类的事实。因此此时不宜单独使用准确率。3.【答案】B【解析】监督微调是使用高质量的“指令-响应”对来微调预训练大语言模型，使其学会理解人类指令并按要求生成内容。A描述的是预训练，C描述的是RLHF，D描述的是模型压缩。4.【答案】A【解析】召回率=真正例/(真正例+假阴性)=预测正确的正样本/实际正样本总数。已知正样本总数为50，模型预测为正样本且实际为正样本的有45个。召回率=45/50=0.90。5.【答案】A【解析】在RLHF中，奖励模型的作用是对大模型生成的多个回复进行打分排序。因此其输入通常是用户提示词和模型生成的回复，输出是一个标量奖励值。6.【答案】B【解析】对于连续型数值特征的缺失值，使用均值、中位数或众数进行填充是常见的合理处理方式，可以最大程度保留数据的分布特征。A选项直接删除特征列会导致信息丢失过多。7.【答案】B【解析】词袋模型将文本表示为词频向量，其核心缺点是丢失了词序信息，无法理解“狗咬人”和“人咬狗”的区别。8.【答案】B【解析】标注规范与操作指南是标注员开展工作的基础，明确了如何界定边界、如何处理模糊情况，是保证一致性的第一步。9.【答案】B【解析】F1分数公式为：F110.【答案】B【解析】训练损失下降说明模型在学习训练数据的特征；但验证损失上升说明模型过于拟合训练数据，对未见过的数据泛化能力变差，即过拟合。11.【答案】B【解析】K折交叉验证将数据分为K份，每次留1份作测试集（10000/5=2000份），剩余K-1份作训练集（10000-2000=8000份）。12.【答案】B【解析】在Pandas中，`df.dropna()`用于删除含有缺失值（NaN）的行或列，默认删除行。13.【答案】C【解析】对于类别不平衡数据，准确率是被多数类主导的失效指标，不能作为唯一评估标准。应使用F1、AUC等指标。过采样、欠采样、SMOTE均是处理不平衡数据的常见手段。14.【答案】B【解析】NDCG（归一化折损累计增益）不仅考虑了文档是否相关，还重点考虑了相关文档在排序列表中的位置，排在前面的高相关性文档得分更高。15.【答案】A【解析】IOB体系（Inside,Outside,Beginning）是命名实体识别任务中最经典的序列标注体系。16.【答案】C【解析】系统在恶劣环境（如噪声大）下性能下降，测试的是系统的抗干扰能力，即鲁棒性测试。17.【答案】B【解析】BLEU分数主要用于机器翻译任务，通过计算生成文本与参考文本之间的n-gram匹配度来评估翻译质量。18.【答案】C【解析】对图像中每个像素点进行分类，属于语义分割。实例分割不仅区分像素类别，还能区分同类别的不同个体。19.【答案】C【解析】聚类属于无监督学习，无法直接用于标签预测。标签预测属于分类或回归任务。20.【答案】B【解析】Matplotlib是Python中最基础且常用的绘图库，箱线图是其常用于可视化数据分布和发现异常值的图表。21.【答案】C【解析】现代推荐系统通常分为召回和排序阶段。排序阶段接收少量候选集，通常使用复杂的精排模型（如DeepFM,DSSM等）进行精准打分。22.【答案】B【解析】温度参数控制Softmax输出的概率分布。温度越高，分布越平滑，低概率词被选中的概率增加，输出多样性增强；温度越低，输出越确定。23.【答案】A【解析】A/B测试通过将用户流量随机分为A组（旧模型）和B组（新模型），对比两组在核心业务指标上的表现，以决定新模型是否优于旧模型并全量上线。24.【答案】B【解析】多轮对话需要上下文语境，因此数据需要包含历史对话序列或历史摘要，使得模型能够理解上文指代和省略信息。25.【答案】B【解析】在多数目标检测标注规范中，对于被遮挡的物体，应尽可能根据其物理边界推测完整的边界框进行标注，而不仅是可见部分。26.【答案】B【解析】多人标注并计算一致性指标（如Cohen'sKappa）是量化并控制标注主观差异的标准方法。27.【答案】A【解析】逻辑回归经过Sigmoid函数映射后，输出的是样本属于正类的概率值，介于0到1之间。28.【答案】D【解析】特征离散化不能“完全消除”多重共线性，它只是改变特征的表示方式，有时甚至可能引入新的非线性关系。29.【答案】B【解析】字错率公式为CE30.【答案】B【解析】思维链通过在提示词中引导模型输出中间推理步骤，能够显著提高复杂推理、数学计算等任务的准确率。二、多项选择题（共10题，每题2分，共20分）31.【答案】A,B,C,D【解析】人工智能训练师的职责贯穿大模型生命周期。包括预训练数据准备（A）、SFT数据构建（B）、RLHF偏好标注（C）以及推理阶段的Prompt调优（D）。32.【答案】A,B,C,D【解析】过采样、欠采样、代价敏感损失（如FocalLoss）、更换评估指标均为解决类别不平衡问题的有效手段。33.【答案】A,B,D【解析】目标检测常用指标包括mAP、IoU和FPS。字错率（CER）是语音识别的指标。34.【答案】A,B,C,D【解析】四个选项均准确描述了过拟合和欠拟合的表现特征及对应的解决方法。35.【答案】A,C,D【解析】TF-IDF通过词频和逆文档频率的乘积来评估词语重要性，能过滤常见词（A）。其计算简单可解释（C），衡量了重要性（D）。但它基于词袋模型，无法保留词序（B错误）。36.【答案】A,B,C,D【解析】标注员的规则理解偏差、主观差异、工具操作不便以及疲劳均会直接影响标注数据的质量。37.【答案】A,B,C,D【解析】线上模型监控不仅包括模型自身的准确率、延迟、吞吐量（A、C），还要监控数据漂移（B），以及最终对业务指标的影响（D）。38.【答案】A,B,D【解析】客观评估自动化程度高但无法完全替代人类主观感受（C错误），A、B、D对两者特点及使用策略的描述均正确。39.【答案】A,B,D【解析】K-Means需要预先指定K（A），对初始中心敏感（B），易陷入局部最优（D）。它只能发现凸型（球形）簇，无法自动发现非凸形状簇（C错误）。40.【答案】A,C,D【解析】PPO算法属于策略梯度算法，即基于策略的强化学习，而非基于价值（B错误）。它通过截断比率限制更新步长以保证稳定性（A），在RLHF中避免奖励黑客导致的崩溃（C），且需要Actor和Critic两个网络协同工作（D）。三、填空题（共10题，每题2分，共20分）41.【答案】第一空：第一类；第二空：第二类【解析】FP又称第一类误差，FN又称第二类误差。42.【答案】标准化【解析】将特征缩放为均值为0，标准差为1的分布称为标准化。归一化通常指缩放到[0,1]区间。43.【答案】强化学习对齐（或RLHF/基于人类反馈的强化学习）【解析】大模型训练标准三步曲为：无监督预训练、监督微调（SFT）、基于人类反馈的强化学习（RLHF）。44.【答案】`\d{4}年`或`[0-9]{4}年`【解析】正则表达式中`\d`代表数字，`{4}`代表连续出现4次。45.【答案】交并比【解析】IoU全称为IntersectionoverUnion，即预测边界框与真实边界框的交集面积与并集面积之比。46.【答案】0.60（或60%）【解析】召回率=TP/(TP+FN)。TP=30。未预测出的正例即假阴性FN=20。召回率=30/(30+20)=30/50=0.60。47.【答案】交叉熵【解析】分类问题最常用的损失函数是交叉熵损失。回归问题通常使用均方误差（MSE）。48.【答案】P【解析】Top-P采样（核采样）从累积概率达到设定阈值P的最小词汇集合中进行采样。例如Top-P=0.9，则选取累积概率达到0.9的词作为候选集。49.【答案】训练【解析】数据漂移是指线上生产环境的数据分布与模型训练阶段所用数据的分布发生了变化，导致模型性能衰减。50.【答案】随机丢弃（或暂时移除）【解析】Dropout通过在每次迭代中以概率p随机丢弃部分神经元，防止神经元之间过度依赖，从而缓解过拟合。四、简答题（共5题，每题4分，共20分）51.【参考答案】精确率是指在被模型预测为正类的样本中，实际为正类的比例，侧重于模型预测的准确性。召回率是指在实际为正类的样本中，被模型预测为正类的比例，侧重于模型找出正类的能力。在医疗疾病筛查场景中，如果追求高精确率而牺牲召回率，会导致部分真正患病的病人被漏诊，延误治疗；如果追求高召回率而牺牲精确率，会导致大量健康人被误诊，造成医疗资源浪费和患者恐慌。因此，必须根据具体业务成本在两者之间进行权衡，通常在早期筛查中会偏向高召回率。52.【参考答案】步骤一：训练奖励模型。收集人类对模型多个生成回复的偏好数据（排序），训练一个能够给文本打分的奖励模型。步骤二：强化学习优化。使用强化学习算法（如PPO），以奖励模型的输出作为奖励信号，优化大语言模型的策略，使其生成更符合人类偏好的内容。步骤三：防止过度优化。在强化学习过程中加入KL散度惩罚项，限制微调模型与原始SFT模型的偏离程度，防止模型为了骗取高分而生成无意义文本。53.【参考答案】数据脱敏的主要目的是在保留数据业务价值和统计特征的前提下，去除或替换数据中能够直接或间接识别个人身份的敏感信息，以符合数据隐私保护法律法规，防止隐私泄露。三种需要对文本数据进行脱敏处理的个人敏感信息类型：1.身份证号码。2.手机号码。3.银行卡账号。（其他如姓名、家庭住址、邮箱等亦可）。54.【参考答案】交叉验证的基本原理是将原始数据集划分为若干个大小相似的互斥子集，每次选取其中一个子集作为测试集，其余作为训练集，进行多次训练和测试。在K折交叉验证中，模型会被训练K次，并在K个不同的测试集上评估，最后取K次评估指标的平均值。这种做法充分利用了所有数据，避免了单次划分可能带来的偶然性偏差，能够更客观、准确地评估模型在未知数据上的泛化能力。55.【参考答案】1.增加训练数据量：更多的数据可以帮助模型学习到更普遍的数据分布特征，减少对特定样本的过度依赖。2.正则化：在损失函数中加入L1或L2正则化项，对模型过大的权重进行惩罚，限制模型复杂度。3.Dropout：在神经网络训练中随机丢弃部分神经元，阻止神经元之间的共适应现象。4.提前停止：在训练过程中监控验证集的损失，当验证集损失不再下降甚至开始上升时提前终止训练。（列出任意三种即可）五、综合应用与计算题（共3题，每题10分，共30分）56.【参考答案】（1）构建混淆矩阵：真正例（TP）：预测为攻击且实际为攻击=60假阳性（FP）：预测为攻击但实际为正常=10假阴性（FN）：预测为正常但实际为攻击=20真阴性（TN）：预测为正常且实际为正常=920-10=910（2）计算准确率：公式：A准确率为0.97（或97%）。（3）计算精确率：公式：P精确率约为0.86。（4）计算召回率：公式：R召回率为0.75。（5）计算F1分数：公式：FF1分数约为0.80。（6）分析与权衡：在该安全防护场景中，如果只能优化一项指标，应优先追求高召回率。因为攻击漏报（FN）会导致系统被入侵，造成严重的安全事故和经济损失；而误报（FP）只是将正常请求拦截，其代价通常可以通过人工复核或二次验证来弥补。因此，宁可牺牲一定的精确率，也要确保尽可能多地拦