2026年人工智能训练师职业考试全真试题及答案

2026年人工智能训练师职业考试全真试题及答案一、单项选择题（本大题共20小题，每小题1.5分，共30分。在每小题给出的四个选项中，只有一项是符合题目要求的）1.人工智能训练师在构建初始数据集时，经常需要处理类别不平衡问题。若直接使用不平衡数据训练分类模型，以下哪种情况最有可能发生？A.模型对多数类的预测准确率极高，但对少数类的召回率极低B.模型的整体准确率会显著下降至随机猜测水平C.模型会自动学习到少数类的特征，导致多数类过拟合D.模型的训练时间会随着少数类样本的增加而呈指数级增长2.在自然语言处理（NLP）任务中，词向量是基础的数据表示形式。关于Word2Vec模型，下列说法正确的是？A.Word2Vec是一种基于统计的词频共现矩阵分解方法B.Skip-gram模型是预测上下文词汇来推断中心词C.CBOW模型的训练速度通常比Skip-gram模型慢，但对高频词的表现更好D.Word2Vec能够有效解决一词多义问题，为每个词生成动态向量3.在评估图像分类模型的性能时，若测试集中存在部分类别极其难以区分，导致混淆矩阵中某些类别的假阳性率（FPR）偏高。为了降低这些类别的FPR，以下哪种调整策略最有效？A.增大批次大小B.提高模型对该类别的分类阈值C.降低模型对该类别的分类阈值D.减少该类别的训练样本数量4.人工智能训练师在进行大语言模型（LLM）的指令微调时，经常使用LoRA（Low-RankAdaptation）技术。LoRA的核心思想是假设模型在适配下游任务时权重的更新具有较低的内在维度。在数学上，LoRA将预训练权重矩阵∈的更新表示为+ΔW，其中ΔW被分解为两个低秩矩阵的乘积，即ΔW=A.B∈,B.B∈,C.B∈,D.B∈,5.在强化学习（RLHF）阶段对齐大语言模型时，奖励模型通常采用什么架构来对人类偏好进行建模？A.基于规则的专家系统B.在预训练语言模型的基础上添加一个标量输出头C.使用生成对抗网络（GAN）的判别器结构D.传统支持向量机（SVM）分类器6.在计算机视觉的目标检测任务中，IoU（IntersectionoverUnion）是评估边界框回归性能的关键指标。若预测框完全包含在真实框内部，且两者的面积之比为1:4，此时IoU的值为？A.0.25B.0.33C.0.50D.0.757.针对大语言模型生成文本时的“幻觉”现象，以下哪种方法不能有效缓解或检测幻觉？A.采用检索增强生成（RAG）技术，引入外部知识库B.提高解码温度至1.5以上以增加生成多样性C.使用自一致性方法，对多次采样的结果进行一致性校验D.引入事实核查模型对生成内容进行后处理验证8.在数据标注项目中，为了保证标注质量，通常需要计算标注者间一致性。若两位标注员对1000个样本进行独立标注，其中800个样本的标注结果一致。假设两位标注员随机标注时达成一致的概率期望为0.5，则Cohen'sKappa系数为？A.0.60B.0.75C.0.80D.0.909.在多模态大模型的训练中，对比学习被广泛用于对齐图像和文本的特征空间。在InfoNCE损失函数中，温度系数τ的作用是？A.控制负样本的数量B.调节模型对困难负样本的关注程度C.决定特征向量的维度D.调整正则化项的权重10.人工智能训练师在处理时序序列数据（如传感器数据）时，面临部分时间步数据缺失的问题。以下哪种填补方法不仅利用了历史信息，还考虑了未来信息，从而能获得更平滑的填补效果？A.前向填充B.线性插值C.双向长短期记忆网络D.用全局均值填充11.在评估检索增强生成（RAG）系统时，RAGAS框架是一个常用的自动化评估工具。以下哪个指标不属于RAGAS主要评估的维度？A.上下文相关性B.答案忠实度C.答案相关性D.模型参数量12.在模型部署阶段，为了降低推理延迟，经常采用模型量化技术。将模型权重从FP16量化为INT8，理论上显存占用的减少比例和计算吞吐量的提升倍数分别约为？A.50%，2倍B.75%，4倍C.50%，3倍D.87.5%，4倍13.在文本分类任务中，若特征空间极度稀疏（如词袋模型），下列哪种机器学习算法通常表现最佳且计算效率较高？A.多层感知机（MLP）B.支持向量机（SVM）带线性核C.K近邻算法（KNN）D.决策树14.人工智能训练师在调优梯度提升树（如XGBoost）时，发现模型在训练集上的对数损失极低，但在验证集上很高。以下哪组超参数的调整最有助于缓解过拟合？A.增大树的最大深度，减小学习率B.减小树的最大深度，增加子样本采样比例C.减小树的最大深度，增大正则化参数λD.增加特征采样比例，减小正则化参数λ15.在大模型预训练中，为了加速训练并节省显存，通常采用混合精度训练。混合精度训练的核心是结合了FP32和以下哪种数据类型？A.INT8B.FP64C.FP16或BF16D.INT416.在处理命名实体识别（NER）任务时，若采用BIO标注体系，单词“北京”被标注为“B-LOC”和“I-LOC”。在评估模型时，通常要求整个实体的边界和类型完全正确才算对。这种评估模式下的精确率计算基于？A.Token级别评估B.实体级别评估C.字符级别评估D.句子级别评估17.在联邦学习场景中，由于各客户端数据分布不一致，会导致客户端漂移问题。以下哪种算法是对FedAvg算法的改进，专门用于解决数据异构性带来的梯度不一致问题？A.FedProxB.SGDC.AdamD.Dropout18.在知识图谱构建中，实体消歧是一个重要环节。若要区分“苹果”是指水果还是科技公司，最有效的上下文特征通常是？A.词性标注B.句法依存树深度C.邻接词的词向量表示D.字符长度19.在自动驾驶场景的3D点云目标检测中，由于点云数据极度稀疏且分布不均，以下哪种数据增强方法被广泛用于提升模型鲁棒性？A.随机裁剪并缩放到固定尺寸B.随机水平翻转图像C.沿轴向随机缩放点云坐标D.转换为灰度图20.在对话系统设计中，对话状态追踪（DST）模块的主要功能是？A.生成自然语言回复B.从用户话语中提取意图和槽位信息，并维护对话状态C.决策下一步系统动作D.将语音信号转换为文本二、多项选择题（本大题共10小题，每小题2分，共20分。在每小题给出的五个选项中，至少有两个是符合题目要求的，错选或多选不得分，少选得1分）1.在大语言模型的RLHF阶段，训练奖励模型时面临“偏好数据稀疏”的问题。为提升奖励模型的泛化能力，可以采取以下哪些策略？A.数据增强，通过对同一提示生成多个回复并随机组合B.引入对比学习，拉近相似回复的距离C.使用预训练模型作为奖励模型的初始化权重D.增大奖励模型最后一层的神经元数量E.采用主动学习，挑选模型最不确定的样本请人工标注2.针对深度学习模型在推理阶段的加速，以下哪些技术是有效的？A.算子融合B.知识蒸馏C.梯度累积D.模型剪枝E.词表缩减3.人工智能训练师在进行数据脱敏时，对于身份证号、手机号等敏感信息，通常采用的方法包括？A.掩码替换B.哈希加密C.泛化处理D.噪声注入E.直接删除整条记录4.在计算机视觉中，语义分割任务常用的评价指标包括？A.像素准确率B.平均交并比C.F1-ScoreD.边界框回归损失E.困惑度5.在微调大语言模型时，若遇到显存不足的问题，可以采用以下哪些技术方案？A.梯度检查点B.冻结底层Transformer层权重C.使用8-bitAdam优化器D.增大批次大小E.使用张量并行或数据并行6.关于序列到序列模型中的注意力机制，下列描述正确的有？A.注意力机制允许模型在生成目标词时关注源序列的不同部分B.自注意力机制计算序列中每个位置与其他所有位置的关联度C.多头注意力机制能够捕捉不同子空间的信息D.注意力机制完全消除了循环神经网络中的顺序依赖，使得训练可以完全并行E.注意力机制的计算复杂度与序列长度呈线性关系7.在推荐系统中，协同过滤算法经常面临冷启动问题。以下哪些方法可用于缓解用户冷启动？A.利用用户的注册属性信息进行基于内容的推荐B.使用热门物品进行推荐C.采用矩阵分解隐向量平均D.引入社交网络关系E.增加商品描述的关键词特征8.在模型部署后进行持续监控时，如果发现模型性能出现衰退，可能的原因有？A.线上数据分布发生漂移B.标签定义发生变更C.特征工程管道中存在数据泄露D.线上输入数据的某些特征缺失率突然增高E.硬件算力不足9.在构建多模态数据集时，确保数据质量的关键环节包括？A.检查图文对齐程度，过滤不相关样本B.对图像和文本分别进行质量打分C.确保不同模态数据的版权合规性D.统一各模态数据的存储格式与分辨率E.删除所有包含人的图像以规避隐私风险10.在模型训练过程中，梯度消失的原因及相应的解决策略包括？A.使用Sigmoid激活函数导致梯度消失，可替换为ReLUB.深层网络结构导致梯度消失，可引入残差连接C.学习率设置过大导致梯度消失，可减小学习率D.权重初始化不当导致梯度消失，可使用Xavier或He初始化E.批次大小过小导致梯度消失，可增大批次大小三、填空题（本大题共10小题，每小题2分，共20分）1.在二分类任务中，若模型的真正例率为0.8，假正例率为0.2，则该模型在此阈值下的ROC曲线对应的AUC值必大于__________。2.在Transformer架构中，位置编码主要用于弥补自注意力机制无法捕捉序列__________信息的缺陷。3.在检索增强生成（RAG）系统中，常用的向量相似度度量方法包括余弦相似度、点积和__________距离。4.在联邦学习中，为了保护用户隐私，通常在客户端上传梯度前加入__________噪声。5.在大模型评估中，若模型生成的答案与标准答案在语义上一致但词汇表达不同，使用传统的ROUGE指标可能给出较低的分数，此时更应采用基于__________的评估方法。6.逻辑回归模型中，为了防止过拟合，通常在损失函数后添加L2正则化项。L2正则化等价于在参数先验分布上假设服从__________分布。7.在目标检测模型YOLO中，输出特征图上的每个网格需要预测边界框的__________和置信度以及类别概率。8.在深度学习模型训练中，如果损失函数下降极慢且在早期就趋于平缓，通常需要尝试__________学习率策略来寻找最佳初始学习率。9.数据标注中的“主观题”标注（如文本情感极性、摘要质量打分），为了保证标注一致性，通常需要制定详细的标注规范并进行多轮__________测试。10.模型量化通常分为量化感知训练和__________量化两种方式。四、简答题（本大题共5小题，每小题6分，共30分）1.在大语言模型的指令微调中，通常将数据集格式化为指令、输入、输出。请简述指令微调的核心作用，并说明它如何帮助模型更好地泛化到未见过的任务。2.阐述在计算机视觉任务中，数据增强技术（如随机裁剪、颜色抖动等）是如何提升模型泛化能力的。并举例说明在何种特定任务下，某些数据增强方法可能会导致模型性能下降。3.在处理时序数据预测任务时，传统循环神经网络（RNN）面临长距离依赖问题。请简述长短期记忆网络（LSTM）的内部结构，并说明它是如何通过门控机制解决该问题的。4.在推荐系统的排序阶段，常使用深度学习模型（如Wide&Deep）。请简述Wide&Deep模型中“Wide”部分和“Deep”部分各自的作用，以及它们为什么需要联合训练。5.在评估检索增强生成（RAG）系统时，“答案忠实度”是一个重要指标。请简述什么是答案忠实度，并列出两种可能导致忠实度低的原因。五、应用题（本大题共2小题，第1小题12分，第2小题18分，共30分）1.模型评估计算题假设你作为人工智能训练师，正在评估一个针对特定疾病的医学图像二分类模型（患病为正例，健康为负例）。你在一个包含1000张图像的测试集上进行了测试，其中实际患病样本有200张。模型的预测结果如下：预测为患病且实际患病的样本数为160张。预测为患病但实际健康的样本数为100张。请计算并回答以下问题（需写出计算公式和过程）：(1)计算该模型的精确率。(2)计算该模型的召回率。(3)计算该模型的F1-Score（精确率和召回率的调和平均数，公式为F1(4)结合医学诊断场景，分析在该场景下更应侧重于精确率还是召回率，为什么？2.综合案例分析题某电商平台的智能客服系统接入了一个基于大语言模型的自动问答模块。上线一段时间后，通过用户反馈数据分析发现，系统存在以下三个严重问题：问题A：用户询问特定商品（如某款新上市的轻薄笔记本）的参数时，模型经常回复“我不知道”或编造不存在的显卡型号。问题B：当用户连续追问多轮（如询问“它支持人脸识别吗？”后再问“那指纹呢？”）时，模型经常丢失上下文，回答“请问您在问哪款产品？”。问题C：模型生成的回复有时语气过于机械或过度热情，不符合品牌调性，偶尔还会出现诱导用户退款的话语。作为人工智能训练师，请针对上述三个问题，分别给出基于大模型优化的具体解决策略和实施步骤。六、综合设计题（本大题共1小题，共20分）1.自动驾驶多模态数据闭环系统设计自动驾驶场景下，纯视觉感知模型在恶劣天气（大雨、大雾）或夜间场景下的目标检测准确率会显著下降。为解决此问题，公司计划引入激光雷达与摄像头融合的多模态大模型方案，并要求构建一个从数据采集到模型迭代的自动化数据闭环系统。请结合人工智能训练师的专业知识，设计该多模态数据闭环系统，并详细说明以下各个环节的设计方案：(1)数据采集与触发机制：如何高效地从路测车队中自动挖掘恶劣天气或长尾场景的数据？(2)数据对齐与预处理：摄像头（2D图像）与激光雷达（3D点云）是异构数据，在时间和空间上如何进行精确对齐？(3)多模态模型训练策略：在算力受限的情况下，如何设计多模态融合的训练策略以避免模态不平衡（如激光雷达数据量远少于图像数据）带来的过拟合？(4)迭代评估与版本发布：设计一套A/B测试评估方案，确保新模型在提升长尾场景性能的同时，不降低常规场景的性能。=========================================试卷结束==================================================================================参考答案及解析=========================================一、单项选择题1.【答案】A【解析】当数据集类别不平衡时，模型为了最小化整体损失，会倾向于预测多数类。这导致模型对多数类的预测准确率极高，但对少数类的敏感度（召回率）极低。2.【答案】B【解析】Word2Vec是基于预测的神经网络模型。Skip-gram是通过中心词来预测上下文词汇；CBOW是通过上下文词汇预测中心词。Skip-gram训练较慢但对低频词效果好，CBOW训练较快。Word2Vec为每个词生成静态向量，不能解决一词多义。3.【答案】B【解析】假阳性率（FPR）表示负类被错误预测为正类的比例。提高该类别的分类阈值，意味着模型需要更高的置信度才会将其判定为正类，从而减少假阳性，降低FPR。4.【答案】A【解析】LoRA将权重更新矩阵ΔW∈分解为两个低秩矩阵B∈和A∈，其中5.【答案】B【解析】RLHF中的奖励模型通常基于预训练的语言模型，移除最后的语言模型头，替换为一个输出标量奖励值的线性层。6.【答案】A【解析】IoU=交集面积/并集面积。预测框完全在真实框内部，交集面积=预测框面积。预测框与真实框面积比为1:4，设预测框面积为1，真实框面积为4，则并集面积为4，交集面积为1，故IoU=1/4=0.25。7.【答案】B【解析】提高解码温度会增加生成的随机性，使模型更容易采样到概率分布尾部的不合理词汇，从而加剧幻觉。8.【答案】A【解析】Cohen'sKappa=(−)/(1−)9.【答案】B【解析】在对比学习的InfoNCE损失中，温度系数τ控制着softmax分布的平滑程度。较小的τ会使模型更关注困难的负样本，较大则使分布更平滑。10.【答案】C【解析】双向LSTM（Bi-LSTM）能够同时利用过去时间步和未来时间步的信息进行隐状态的编码，从而更好地捕捉上下文进行缺失值填补。11.【答案】D【解析】RAGAS主要从生成质量和检索质量两个维度评估，具体指标包括上下文精确度、上下文相关性、忠实度、答案相关性。模型参数量不是RAGAS的评估维度。12.【答案】A【解析】FP16占16位，INT8占8位，所以显存占用减少为原来的1/2，即减少50%。INT8的整型运算通常在特定硬件上比浮点运算快2倍左右，计算吞吐量提升约2倍。13.【答案】B【解析】对于高维稀疏的词袋模型特征，带线性核的SVM能够有效地在高维空间中寻找最大间隔超平面，且不易过拟合，计算效率高于非线性核。14.【答案】C【解析】过拟合需要限制模型复杂度。减小树的最大深度可以降低模型复杂度，增大正则化参数λ会对叶子节点权重进行更强的惩罚，两者均有助于缓解过拟合。15.【答案】C【解析】混合精度训练通常结合FP32和FP16（或BF16）进行计算，FP16用于前向和反向传播加速，FP32用于主权重更新以保持精度。16.【答案】B【解析】NER任务中，实体级别的评估要求模型预测的实体边界和类型标签与真实标签完全匹配，该实体才算预测正确。17.【答案】A【解析】FedProx在FedAvg的基础上增加了一个近端项，限制客户端更新的偏离程度，有效缓解数据异构带来的客户端漂移问题。18.【答案】C【解析】邻接词的词向量最能反映上下文语义环境。如果“苹果”周围出现“乔布斯”、“手机”、“市值”等词，其词向量会与“水果”附近的词向量有显著差异。19.【答案】C【解析】3D点云数据具有稀疏性，沿轴向随机缩放点云坐标可以模拟物体距离变化带来的尺度变化，增强模型对不同距离物体的鲁棒性。20.【答案】B【解析】DST负责从多轮对话中提取用户的意图和相关槽位信息，并随着对话的进行更新和维护这些状态信息。二、多项选择题1.【答案】A,C,E【解析】数据增强增加样本多样性，预训练模型提供良好的初始化，主动学习挑选高价值样本，这些都能有效提升奖励模型在稀疏数据下的泛化能力。对比学习在偏好建模中不常用，D项单纯增加神经元数量无法解决稀疏导致的泛化问题。2.【答案】A,B,D,E【解析】算子融合减少计算开销，知识蒸馏用小模型学大模型，模型剪枝去除冗余参数，词表缩减减少embedding层参数和计算量。梯度累积是为了在显存受限时模拟大批次训练，不能加速推理。3.【答案】A,B,C,D【解析】掩码替换保留格式隐藏内容，哈希加密不可逆，泛化处理（如保留前三位后四位）保留部分信息，噪声注入差分隐私等。直接删除可能损失过多数据。4.【答案】A,B【解析】语义分割的核心指标是像素准确率和mIoU。F1-Score可用于分类但非分割主流，边界框回归是目标检测的概念，困惑度是NLP指标。5.【答案】A,B,C,E【解析】梯度检查点以时间换空间，冻结底层参数减少训练参数量，8-bit优化器减少优化器状态显存，分布式并行拆分模型和数据。增大批次会显著增加显存占用。6.【答案】A,B,C,D【解析】注意力机制解决了RNN并行计算的问题，自注意力计算全局依赖，多头注意力捕捉多维度特征。但注意力机制计算复杂度与序列长度呈平方关系O(7.【答案】A,B,D【解析】基于内容的推荐利用属性，热门推荐作为默认兜底，引入社交网络关系辅助冷启动用户。C和E属于缓解物品冷启动或常规策略，对特定用户的冷启动效果不明显。8.【答案】A,B,D【解析】数据分布漂移、标签定义变更、特征缺失率增高都会导致线上性能衰退。数据泄露属于训练阶段问题，算力不足影响延迟但不影响模型本身的指标性能。9.【答案】A,B,C,D【解析】构建多模态数据集需保证对齐度、质量、合规性和格式统一。E选项过于绝对，可以通过人脸脱敏技术处理包含人的图像，不必全部删除。10.【答案】A,B,D【解析】Sigmoid在两端导数趋于0导致梯度消失，ReLU导数为1可缓解；深层网络连乘效应，残差连接提供捷径传播梯度；初始化不当使激活值落入饱和区，Xavier/He初始化可解决。学习率过大导致梯度爆炸而非消失，批次大小不影响梯度是否消失。三、填空题1.0.5【解析】ROC曲线点(0.2,0.8)位于对角线(0.5,0.5)之上，因此AUC必大于0.5。2.顺序（或位置）【解析】自注意力机制本身是排列不变的，需要位置编码注入时序或位置信息。3.欧氏【解析】向量相似度常用余弦相似度、点积和欧氏距离（或L2距离）。4.差分隐私【解析】差分隐私通过在梯度或模型参数上添加拉普拉斯或高斯噪声来保护隐私。5.语义相似度/嵌入向量【解析】传统基于词重叠的ROUGE指标无法识别同义表达，基于词向量的语义相似度评估能更好衡量生成质量。6.高斯【解析】L2正则化在贝叶斯视角下等价于参数的先验分布为均值为0的高斯分布。7.偏移量【解析】YOLO不直接预测中心点坐标绝对值，而是预测相对于网格的偏移量，有利于模型收敛。9.一致性/标注员间一致性【解析】主观题标注易产生分歧，需通过计算标注员间一致性（如Kappa系数）来检验规范的明确程度和标注质量。10.训练后/Post-TrainingQuantization(PTQ)【解析】模型量化主要分为QAT（量化感知训练）和PTQ（训练后量化）。四、简答题1.【参考答案】指令微调的核心作用是将预训练阶段学到的通用语言能力和世界知识，对齐到人类期望的具体任务形式和交互方式上。（2分）泛化原理：通过多样化的指令数据集（不同任务、不同表述方式），模型学习到的不再是特定任务到特定答案的映射，而是“理解指令意图并遵循格式执行”的元能力。当遇到未见过的任务时，只要指令描述清晰，模型能够利用预训练知识和这种泛化的指令遵循能力生成合理回复，实现零样本或少样本泛化。（4分）2.【参考答案】数据增强通过对训练图像施加随机变换，人为扩大了数据集的规模和多样性，迫使模型学习到特征的不变性（如物体平移、颜色变化不应改变类别），从而降低过拟合风险，提升泛化能力。（3分）反例：在细粒度图像分类任务（如区分不同型号的汽车、鸟类品种）中，如果使用过度的颜色抖动或随机裁剪，可能会破坏掉决定类别的关键细微特征（如车标的颜色、鸟喙的局部形状），导致模型学习到错误特征，性能反而下降。（3分）3.【参考答案】LSTM内部包含三个门（遗忘门、输入门、输出门）和一个细胞状态。（2分）遗忘门决定从上一时刻细胞状态中丢弃什么信息；输入门决定将哪些新信息存入细胞状态；输出门根据更新后的细胞状态决定当前时刻的隐状态输出。细胞状态贯穿整个链条，只有少量的线性交互。（2分）解决长距离依赖：通过遗忘门和输入门对细胞状态进行加法更新，梯度在反向传播时可以在细胞状态上几乎无损地长距离传递，避免了传统RNN中连乘导致的梯度消失，从而有效捕捉长距离依赖。（2分）4.【参考答案】Wide部分：是一个广义线性模型，主要用于记忆特征之间的交叉组合。它能够记住历史数据中频繁出现的稀疏特征组合，具有简单高效的特点。（2分）Deep部分：是一个多层前馈神经网络，通过高维稠密嵌入，能够学习到特征之间的深层非线性关系，具有强泛化能力。（2分）联合训练原因：Wide部分弥补了Deep网络在处理稀疏特征交叉时记忆能力不足的缺点；而Deep部分弥补了Wide线性模型泛化能力差的缺点。联合训练使得模型兼具记忆与泛化能力，同时端到端的训练方式避免了Wide部分特征工程的繁琐人工设计。（2分）5.【参考答案】答案忠实度指模型生成的答案是否完全基于检索到的上下文信息，而没有包含与上下文矛盾或无法从上下文推断的内容。（2分）原因一：检索到的上下文信息本身存在噪声或相互矛盾，导致模型在综合信息时生成了与部分上下文冲突的内容。（2分）原因二：模型自身参数记忆干扰，即模型在生成时过度依赖预训练阶段的参数知识，而忽略了提供的RAG上下文，产生了“幻觉”知识。（2分）五、应用题1.【参考答案】(1)精确率=真正例/(真正例+假正例)=160/(160+100)=160/260≈0.6154。（3分）(2)召回率=真正例/(真正例+假负例)。实际患病200人，真正例160人，故假负例=200-160=40人。召回率=160/(160+40)=160/200=0.8000。（3分）(3)F1=2×(0.6154×0.8)/(0.6154+0.8)=2×0.4923/1.4154≈0.6956。（3分）(4)在医学诊断场景下，更应侧重于召回率。因为召回率代表有多少真正的患者被成功识别出来。漏诊（假负例）会导致患病人员错过最佳治疗时机，生命健康风险极高；而误诊（假正例）虽然会增加医疗成本和心理负担，但可以通过后续复查进行排除，风险相对可控。因此宁可牺牲一定的精确率，也要最大化召回率。（3分）2.【参考答案】问题A分析与解决：原因：知识库未更新或RAG检索失效，导致模型缺乏外部知识进而产生幻觉。实施步骤：①更新商品知识库，将新上市轻薄笔记本的参数文档进行结构化解析，存入向量数据库。②优化RAG检索环节，测试Query重构。引入同义词扩展，如针对显卡型号添加别名词表。③在Prompt中加入严格的约束指令：“仅根据以下参考资料回答，如果资料中没有相关参数，请回答‘该信息暂未收录’，严禁编造。”（6分）问题B分析与解决：原因：多轮对话中历史上下文丢失，系统未有效维护对话状态。实施步骤：①引入对话历史管理模块。