2025年计算机一级(人工智能与大模型基础)真题汇-总

2025年计算机一级(人工智能与大模型基础)真题汇总一、单项选择题（本大题共10小题，每小题2分，共20分。在每小题列出的四个选项中，只有一个是符合题目要求的，请将正确选项的字母填在题后的括号内。）1.人工智能的发展历程中，哪一年被广泛认为是人工智能元年？A.1950年，图灵提出机器智能的可行性B.1956年，达特茅斯会议确立人工智能学科C.1966年，ELIZA成为第一个聊天机器人D.1997年，深蓝击败国际象棋世界冠军解析：人工智能元年通常指1956年的达特茅斯会议，该会议正式确立了人工智能作为一门独立学科的诞生。图灵测试虽是1950年提出，但未形成学科；ELIZA是早期自然语言处理应用；深蓝是1990年代深度学习突破的标志性事件，但非元年。2.下列哪种算法不属于监督学习范畴？A.决策树算法B.支持向量机算法C.K-means聚类算法D.神经网络回归模型解析：K-means聚类属于无监督学习，通过迭代优化簇内距离最小化进行数据分组；其余选项均为监督学习方法，分别用于分类（决策树、SVM）和回归（神经网络）。3.在自然语言处理中，词嵌入技术的主要目的是什么？A.提高文本分类的准确率B.将连续词向量映射到高维空间C.实现机器翻译的语义对齐D.增强文本生成的流畅性解析：词嵌入（如Word2Vec）的核心功能是将离散词表示为连续向量，保留词间语义关系，本质是降维处理；其他选项描述的是具体应用场景而非技术目的。4.以下哪种模型结构最适合处理时序数据？A.卷积神经网络（CNN）B.递归神经网络（RNN）C.随机森林（RandomForest）D.线性回归模型解析：RNN通过循环连接机制保留历史信息，是处理序列数据的经典模型；CNN适用于图像处理；随机森林是集成学习方法；线性回归不适用于时序依赖性分析。5.在大模型训练中，"过拟合"现象的主要表现是什么？A.模型训练损失持续下降B.验证集准确率显著低于训练集C.模型参数数量远超数据量D.梯度下降过程收敛缓慢解析：过拟合指模型仅记住训练数据，泛化能力差，典型特征是训练集表现优异但验证集性能恶化；其他选项分别对应模型收敛正常、参数冗余和优化效率问题。6.Transformer模型中，注意力机制的核心作用是什么？A.提高模型并行计算能力B.增强长距离依赖建模能力C.减少模型参数数量D.优化模型内存占用解析：注意力机制通过动态权重分配，使模型聚焦关键输入，尤其擅长捕捉长序列中的依赖关系；其他选项描述的是Transformer架构的其他优势。7.以下哪种技术属于强化学习的核心组成部分？A.数据增强（DataAugmentation）B.梯度下降优化算法C.奖励函数设计D.卷积层参数初始化解析：强化学习的三要素是智能体、环境与奖励信号，其中奖励函数定义了行为价值评估标准；其他选项分别属于数据预处理、通用优化方法和模型初始化范畴。8.在大模型微调（Fine-tuning）过程中，以下哪种策略最能有效防止灾难性遗忘？A.降低学习率B.增加预训练模型参数量C.采用差分隐私技术D.使用参数高效微调（PEFT）方法解析：PEFT通过仅微调部分参数或使用适配器，在保持预训练知识的同时适应新任务，是解决灾难性遗忘的有效手段；其他选项分别属于通用优化技巧、模型规模扩展和隐私保护措施。9.以下哪种指标最适合评估文本情感分类模型的性能？A.F1分数B.AUC值C.平均绝对误差（MAE）D.均方根误差（RMSE）解析：情感分类属于分类任务，F1分数兼顾精确率与召回率，特别适用于类别不平衡场景；AUC评估排序性能；MAE/RMSE是回归指标。10.在大模型部署中，"模型蒸馏"技术的主要目的是什么？A.提高模型推理速度B.将大模型知识迁移到小模型C.增强模型可解释性D.降低模型训练数据需求解析：模型蒸馏通过训练小模型模仿大模型的输出分布，实现知识迁移，常用于边缘设备部署；其他选项分别对应量化压缩、可解释性增强和少样本学习。二、填空题（本大题共10小题，每小题2分，共20分。请将答案填写在题中横线上。）1.人工智能发展史上，______事件标志着深度学习进入黄金时代。（参考答案：ImageNet图像识别竞赛）2.在卷积神经网络中，______层负责提取局部特征，______层负责全局特征融合。（参考答案：卷积；池化）3.自然语言处理中，______是通过词性标注推断出的语法结构树。（参考答案：依存句法分析）4.强化学习中，______算法通过探索-利用平衡优化策略。（参考答案：Q-Learning）5.Transformer模型中，______层通过自注意力机制计算词间关系。（参考答案：Multi-HeadAttention）6.大模型训练时，______技术可以减少内存占用，提高并行效率。（参考答案：混合精度训练）7.情感分析任务中，______指标衡量模型区分不同情感类别的能力。（参考答案：宏平均F1）8.在模型微调过程中，______是指预训练知识被新任务过度覆盖的现象。（参考答案：灾难性遗忘）9.生成式预训练模型（GPT）的核心思想是利用______进行语言建模。（参考答案：自回归）10.大模型部署时，______技术可以将模型压缩为固定大小的推理单元。（参考答案：量化感知训练）三、判断题（本大题共10小题，每小题2分，共20分。请判断下列各题的正误，正确的填“√”，错误的填“×”。）1.人工智能伦理主要关注模型训练数据偏差问题。（参考答案：×）解析：伦理问题涵盖数据偏见、算法歧视、隐私侵犯等多个维度，数据偏差仅是其中一部分。2.深度学习模型必然比传统机器学习模型更易过拟合。（参考答案：×）解析：过拟合与模型复杂度、数据量相关，而非技术类型本身；某些传统模型（如高阶多项式回归）同样易过拟合。3.词嵌入技术可以完全消除词义消歧问题。（参考答案：×）解析：词嵌入能缓解部分歧义，但无法解决所有语境依赖的语义冲突，如“银行”一词的多义性。4.强化学习中的Q值表示智能体采取行动后的即时奖励。（参考答案：×）解析：Q值是状态-动作对的长期价值估计（贝尔曼方程），包含折扣因子和未来奖励预期。5.Transformer模型通过递归连接实现时序信息传递。（参考答案：×）解析：Transformer使用自注意力机制替代循环结构，不依赖历史状态传递。6.模型蒸馏会导致小模型泛化能力显著下降。（参考答案：×）解析：蒸馏过程通过知识迁移可能提升小模型的泛化性能，关键在于教师模型质量。7.人工智能大模型训练时，GPU显存不足是主要瓶颈。（参考答案：√）解析：大模型参数量巨大，训练需处理TB级数据，显存限制是典型工程挑战。8.情感分析任务中，"中性"类别通常比"积极/消极"类别更难建模。（参考答案：√）解析：中性情感需区分褒贬中立语境，数据分布稀疏且边界模糊，属于分类难点。9.生成式对抗网络（GAN）通过两个神经网络相互博弈训练。（参考答案：√）解析：GAN包含生成器（创造数据）和判别器（评估真实性），通过对抗学习提升生成质量。10.大模型微调时，全参数更新比参数高效微调（PEFT）更节省计算资源。（参考答案：×）解析：PEFT仅更新少量适配器参数，显著降低计算成本，特别适用于资源受限场景。四、简答题（本大题共8小题，每小题2分，共16分。请简要回答下列问题。）1.简述监督学习、无监督学习和强化学习的核心区别。答：监督学习依赖带标签数据学习映射关系；无监督学习处理无标签数据发现内在结构；强化学习通过环境交互与奖励信号学习最优策略。2.解释词嵌入技术如何解决"王"和"皇帝"语义关联问题。答：词嵌入将两词映射到相近向量，通过计算向量夹角或距离反映语义相似度，体现"王"作为"皇帝"的上下位关系。3.描述Transformer模型中位置编码的作用。答：位置编码为输入序列添加绝对位置信息，弥补自注意力机制无法感知顺序的缺陷，使模型同时利用语义和位置特征。4.强化学习中，Q-Learning算法如何更新Q值？答：依据贝尔曼方程，Q(s,a)←Q(s,a)+α[奖励(s,a,s')+γmax_a'Q(s',a')-Q(s,a)]，其中α为学习率，γ为折扣因子。5.解释大模型训练中"梯度爆炸"问题及解决方法。答：问题表现为梯度值过大导致参数更新剧烈，可通过梯度裁剪、动量法或Adam优化器缓解。6.说明情感分析中，"讽刺"类别的建模难点。答：讽刺依赖反语表达，需结合上下文语境和情感极性判断，数据标注困难且模型需具备深层语义理解能力。7.描述大模型微调时，"参数高效微调"（PEFT）的基本原理。答：PEFT仅训练少量适配器层或参数，冻结预训练主体，通过低秩分解等技术实现高效知识迁移。8.解释大模型部署时，"模型量化"技术的优势。答：将浮点数转为定点数可减少内存占用和计算需求，加速推理过程，尤其适用于边缘设备。五、应用题（本大题共8小题，每小题4分，共24分。请结合案例背景完成下列问题。）1.案例背景：某电商平台需开发情感分析系统，处理用户评论数据。训练集包含10万条评论，其中积极/消极/中性类别比例约6:3:1。问题：（1）若采用F1分数评估，优先优化哪个类别？（2）如何设计数据增强策略缓解类别不平衡问题？答：（1）中性类别F1分数最易受影响，因其样本量最小，需优先优化；（2）数据增强策略：对中性类别进行回译（翻译-回译）、同义词替换、随机插入/删除词，或生成合成评论。2.案例背景：某医疗AI团队训练皮肤病变识别模型，使用ResNet50作为基础网络，但发现验证集准确率低于训练集（80%/85%）。问题：（1）可能存在什么问题？（2）如何改进模型防止过拟合？答：（1）问题可能源于数据标注错误、模型复杂度过高或缺乏正则化；（2）改进措施：加入Dropout层、使用权重衰减（L2正则）、增加训练数据或采用迁移学习。3.案例背景：某自动驾驶系统使用DQN算法训练智能体在十字路口决策，但发现智能体在遇到罕见红绿灯故障时表现异常。问题：（1）DQN算法的局限性是什么？（2）如何增强模型的鲁棒性？答：（1）DQN依赖经验回放和Q表更新，对罕见状态泛化能力弱；（2）增强方法：使用PrioritizedExperienceReplay优化罕见状态采样，或结合CNN提取视觉特征。4.案例背景：某新闻媒体需开发文本摘要模型，输入文章约5000字，要求生成200字精简摘要。问题：（1）选择哪种模型架构更合适？（2）如何评估摘要质量？答：（1）BART或T5等Encoder-Decoder架构通过Transformer机制处理长文本；（2）评估指标：ROUGE-L（句子级重叠）、BLEU（n-gram匹配）或人工评估流畅性。5.案例背景：某电商推荐系统使用BERT模型处理用户搜索日志，发现模型对"手机壳"等新词表现不佳。问题：（1）BERT的局限性是什么？（2）如何改进模型对新词的适应性？答：（1）BERT依赖预训练语料，对未出现词汇泛化能力差；（2）改进方法：使用Sentence-BERT进行句子嵌入，或结合Word2Vec训练领域词嵌入。6.案例背景：某金融公司部署风险评估模型，要求在1秒内完成1000条申请处理。问题：（1）如何优化模型推理速度？（2）是否可以牺牲部分精度？答：（1）优化方法：模型量化（FP16/INT8）、知识蒸馏、剪枝或使用TensorRT加速；（2）可接受精度牺牲，需平衡延迟与准确率，如采用阈值二分类替代多分类。7.案例背景：某科研团队开发药物分子生成模型，需确保生成分子符合化学规则。问题：（1）选择哪种生成模型架构？（2）如何验证生成结果的有效性？答：（1）使用VAE或GAN的变体（如ConditionalGAN），结合化学约束条件；（2）验证方法：分子结构合理性检查（SMILES格式）、药效预测（DFT计算）和实验验证。8.案例背景：某客服系统使用聊天机器人处理用户咨询，但发现对复杂问题回答率低。问题：（1）可能存在哪些技术瓶颈？（2）如何提升复杂问题处理能力？答：（1）瓶颈可能包括：上下文理解不足、知识库覆盖不全、多轮对话管理弱；（2）提升方法：使用对话状态跟踪（DST）机制，增强知识检索能力，或引入多模态输入（如图片）。【标准答案及解析】一、单项选择题1.B2.C3.A4.B5.B6.B7.C8.D9.A10.B二、填空题1.ImageNet图像识别竞赛12.卷积；池化13.依存句法分析14.Q-Learning2.Multi-HeadAttention16.混合精度训练17.宏平均F118.灾难性遗忘3.自回归20.量化感知训练三、判断题1.×22.×23.×24.×25.×26.×27.√28.√29.√30.×四、简答题1.答：监督学习依赖带标签数据学习映射关系；无监督学习处理无标签数据发现内在结构；强化学习通过环境交互与奖励信号学习最优策略。2.答：词嵌入将两词映射到相近向量，通过计算向量夹角或距离反映语义相似度，体现"王"作为"皇帝"的上下位关系。3.答：位置编码为输入序列添加绝对位置信息，弥补自注意力机制无法感知顺序的缺陷，使模型同时利用语义和位置特征。4.答：依据贝尔曼方程，Q(s,a)←Q(s,a)+α[奖励(s,a,s')+γmax_a'Q(s',a')-Q(s,a)]，其中α为学习率，γ为折扣因子。5.答：问题表现为梯度值过大导致参数更新剧烈，可通过梯度裁剪、动量法或Adam优化器缓解。6.答：讽刺依赖反语表达，需结合上下文语境和情感极性判断，数据标注困难且模型需具备深层语义理解能力。7.答：PEFT仅训练少量适配器层或参数，冻结预训练主体，通过低秩分解等技术实现高效知识迁移。8.答：将浮点数转为定点数可减少内存占用和计算需求，加速推理过程，尤其适用于边缘设备。五、应用题1.答：（1）中性类别F1分数最