2026年技能考试人工智能训练师三级题库综合试卷附答案

2026年技能考试人工智能训练师三级题库综合试卷附答案一、单项选择题（共20题，每题1分，满分20分）1.人工智能训练师三级开展目标检测图像标注任务时，常规要求的IOU（交并比）合格阈值不低于A.0.3B.0.5C.0.7D.0.92.以下不属于结构化训练数据集必备要素的是A.统一的数据存储格式B.预定义的字段SchemaC.半结构化标签体系D.明确的数据字段类型3.在对话系统意图识别标注任务中，用户输入“我想申请退掉三天前买的智能手机”，该样本的核心标注意图应为A.查询订单状态B.申请退换商品C.投诉商品质量D.修改收货信息4.三级人工智能训练师辅助模型调优时，当模型出现过拟合现象，以下处理方式错误的是A.增加训练数据样本量B.增加模型网络深度与参数规模C.加入L2正则化约束D.采用Dropout随机失活方法5.数据清洗流程中，以下不属于重复数据处理方法的是A.基于哈希值去重B.基于编辑距离去重C.基于字段相似度去重D.基于缺失值填充去重6.根据《人工智能训练师国家职业技能标准（2021年版）》，三级人工智能训练师对应正确的职业编码与等级是A.4-04-05-04国家职业技能等级三级B.3-04-05-04国家职业技能等级三级C.4-05-04-04国家职业技能等级三级D.4-04-04-05国家职业技能等级三级7.语音数据标注任务中，信杂比（SNR）低于哪个阈值的音频样本通常判定为无效样本A.10dBB.20dBC.30dBD.40dB8.面向自动驾驶领域的三维点云数据标注，行业内最常用的专业标注工具是A.OpenLabelB.AdobePhotoshopC.在线文档标注工具D.MicrosoftExcel9.模型分类效果评估指标中，TP（TruePositive）的定义是A.被模型正确预测为正样本的实际正样本数量B.被模型错误预测为正样本的实际负样本数量C.被模型正确预测为负样本的实际负样本数量D.被模型错误预测为负样本的实际正样本数量10.三级人工智能训练师进行数据集版本管理时，遵循“大版本号.次版本号.修订号”的通用版本规范，当仅新增10%标注样本、未修改原有标注内容与数据结构，应当更新哪部分版本号A.大版本号B.次版本号C.修订号D.无需更新任何版本号11.情感分类标注任务中，将用户评论“这款笔记本的散热效果远好于预期，使用体验非常好”标注为正面情感，该标注任务类型属于A.多分类标注B.连续回归标注C.序列标注D.无监督聚类标注12.某批次标注样本经抽检发现错误率达到15%，远高于项目允许的5%错误率阈值，正确的处理流程是A.直接整批丢弃该批次，重新组织标注B.退回给标注人员进行全量复检修正后重新抽检C.仅修正抽检发现的错误样本直接交付D.调整模型分类阈值抵消标注误差13.根据国家职业技能标准，以下属于三级人工智能训练师核心工作范畴的是A.制定全行业人工智能模型解决方案B.独立完成大模型全参数预训练调优C.完成中等规模训练数据集的标注与质量审核D.制定人工智能训练师国家职业技能标准14.CosIOU损失函数主要应用于哪类目标检测任务A.旋转框目标检测B.水平框目标检测C.语义分割D.实例分割15.对话系统训练中的槽填充任务，从任务类型划分属于A.序列标注任务B.图像分类任务C.生成式任务D.聚类任务16.数据脱敏处理过程中，以下不属于用户个人敏感信息的是A.用户收货地址B.用户下单时间C.用户身份证号码D.用户银行卡号17.小样本文本模型训练中，以下哪种数据增强方法适用于文本数据A.随机水平翻转B.同义词替换C.高斯模糊处理D.随机裁剪18.项目要求标注准确率不低于95%，以下标注准确率计算方法正确的是A.正确标注样本量/抽检样本总量×100%B.抽检样本总量/正确标注样本量×100%C.（总样本量-错误样本量）/总样本量×100%D.错误样本量/抽检样本总量×100%19.大语言模型生成内容出现“幻觉”问题（即生成不符合事实的内容），最核心的诱因是A.训练数据中事实性错误样本占比过高B.训练过程正则化程度过高C.模型推理温度设置过低D.训练批量大小设置过大20.分类标注任务中，单个样本同时符合两个标注类别的定义要求，正确的标注处理方式是A.强制要求只选择一个类别标注B.将该样本标记为多标签样本C.直接丢弃该样本不纳入数据集D.随机选择一个类别标注二、多项选择题（共10题，每题2分，满分20分，多选、少选、错选均不得分）1.人工智能训练师三级开展图像训练数据清洗时，需要剔除的无效样本包括A.完全过曝/完全欠曝的图像B.分辨率低于项目要求的图像C.内容完全重复的图像D.包含正常背景的图像2.以下属于三级人工智能训练师标注质量管控环节核心工作内容的有A.按规范抽验标注人员提交的标注结果B.计算批次标注的准确率、错误率等质量指标C.制定项目整体标注规范与要求D.汇总常见标注错误并反馈给标注人员修正3.水平框目标检测标注任务中，需要标注的核心内容包括A.目标包围框坐标B.目标类别标签C.目标像素级分割掩码D.目标预测置信度4.模型在验证集上准确率较低，达不到项目要求，可能的诱因包括A.训练集标注错误率过高B.训练样本总量不足C.模型正则化过度D.训练迭代次数过多引发过拟合5.人工智能训练数据集交付前需要完成的准备工作包括A.全量数据脱敏处理B.按照甲方要求转换数据集格式C.编制数据集质量检测报告D.删除所有原始标注文件节省存储空间6.对话系统训练数据标注中，常见的标注类型包括A.用户意图标注B.实体槽位标注C.对话情感标注D.对话上下文关系标注7.人工智能训练数据脱敏处理中，常用的脱敏方法包括A.敏感信息泛化处理B.敏感信息哈希加密C.删除敏感字段D.样本数据增强8.根据三级人工智能训练师技能要求，需要掌握的数据集管理技能包括A.数据集分类存储B.数据集版本管控C.数据集备份与恢复D.数据集所有权变更审批9.以下关于文本编辑距离的说法，正确的有A.编辑距离用于衡量两个文本字符串的相似度B.编辑距离越小，说明两个文本的相似度越高C.编辑距离越大，说明两个文本的相似度越高D.编辑距离可用于文本数据去重处理10.大语言模型微调训练数据制作过程中，单条样本需要包含的核心要素有A.模型输入提示词B.目标输出标准答案C.用户个人ID信息D.任务类型标签三、判断题（共10题，每题1分，满分10分）1.人工智能训练师三级标注过程中，遇到模糊不确定的歧义样本，可以直接跳过不标注，无需记录上报。2.自然语言处理中的命名实体识别任务，属于序列标注任务的范畴。3.模型过拟合指的是模型在训练集上表现差，在测试集上表现好的现象。4.标注准确率通常采用抽检方式计算，指正确标注样本量占抽检样本总量的比例。5.根据个人信息保护法要求，所有包含用户个人信息的AI训练数据集交付前都必须完成脱敏处理。6.点云数据标注仅应用于自动驾驶领域，无法应用于其他人工智能场景。7.规范的数据集版本管理要求，每次修改数据集后都需要更新版本号并记录修改内容。8.意图识别任务中，一个用户输入文本只能对应一个意图，不允许对应多个意图。9.LoRA大模型微调方法的核心特点是冻结大部分预训练模型参数，仅训练少量低秩矩阵参数，大幅降低训练资源需求。10.三级人工智能训练师仅需要掌握标注操作，不需要了解人工智能模型的基本原理。四、简答题（共3题，每题10分，满分30分）1.请简述三级人工智能训练师开展标注质量抽检的基本流程。2.请简述人工智能训练数据集清洗的主要步骤与各步骤处理内容。3.请简述三级人工智能训练师辅助模型调优时，针对模型准确率不达标问题的排查思路。五、综合应用题（共1题，满分20分）某电商平台计划训练一款商品咨询对话意图识别模型，要求标注总样本量10000条，标注准确率不低于95%，共划分12类核心意图：查询物流、查询价格、退换商品、查询售后、修改地址、催单、投诉、咨询规格、咨询活动、查询订单、开发票、其他。三级人工智能训练师小张负责该项目的标注组织与质量管控工作，请结合场景回答以下问题：（1）正式启动批量标注前，小张需要完成哪些准备工作？（12分）（2）标注完成后小张组织抽检，共抽取1000条样本，复核发现42条样本标注错误，请计算本次抽检的标注准确率，判断是否符合项目要求，并说明若不符合要求的后续处理流程。（8分）参考答案一、单项选择题1.B2.C3.B4.B5.D6.A7.B8.A9.A10.C11.A12.B13.C14.A15.A16.B17.B18.A19.A20.B二、多项选择题1.ABC2.ABD3.AB4.ABCD5.ABC6.ABCD7.ABC8.ABC9.ABD10.ABD三、判断题1.×2.√3.×4.√5.√6.×7.√8.×9.√10.×四、简答题1.答：标注质量抽检的基本流程分为五步：（1）确定抽检比例：根据项目质量要求设定抽检比例，常规项目抽检比例不低于总样本量的10%，对于新入职标注人员的样本抽检比例不低于20%，标注错误率偏高的批次提升抽检比例至100%；（2）抽取待检样本：采用分层抽样原则，按标注人员、标注批次抽取样本，避免集中抽取同一批次或同一人员的样本引发抽检偏差；（3）复核标注结果：对照项目统一的标注规范，逐一判断样本标注结果是否正确，分类记录正确样本、错误样本、歧义样本的数量，整理常见错误类型；（4）判定批次质量：计算本次抽检的标注准确率、错误率，若错误率低于项目允许阈值，则判定该批次质量合格，若错误率超过阈值，则判定批次不合格；（5）反馈处理结果：合格批次录入数据集存储，不合格批次退回全量复检，同时将汇总的错误类型反馈给标注人员，组织统一培训纠正错误认知，避免后续出现同类问题。（10分）2.答：人工智能训练数据集清洗主要分为四个步骤，各步骤处理内容如下：（1）缺失值处理：检查样本必填字段的缺失情况，若单个样本缺失比例低于5%，可根据字段类型填充默认值或删除该样本；若整批样本缺失比例超过30%，直接剔除该批次样本；（2）异常值处理：识别不符合项目要求的异常样本，不同类型数据对应不同异常：图像数据的过曝、过暗、分辨率不达标样本，文本数据的乱码、无意义内容样本，语音数据的信噪比不足、静音样本，全部异常样本予以剔除；（3）重复值处理：针对不同类型数据采用对应去重方法：图像数据采用感知哈希算法去重，文本数据采用编辑距离、余弦相似度去重，语音数据采用音频特征相似度去重，去除完全重复或高度相似的冗余样本，降低模型训练冗余；（4）不一致数据处理：统一数据集的格式、标注标签体系、字段规则，修正不统一的标签命名、数据格式，解决同一实体对应多个标签的不一致问题，确保数据集整体一致性符合训练要求。（10分）3.答：针对模型准确率不达标的问题，排查思路分为四个层面：（1）数据层面排查：首先检查训练集和验证集的标注质量，统计标注错误率，若错误率超过阈值优先修正标注错误；其次检查训练样本量是否满足模型训练需求，检查数据分布是否均衡，是否存在某类样本占比过高引发的类别不平衡问题，若存在不平衡可通过过采样、欠采样调整样本分布；（2）超参数层面排查：检查训练超参数设置是否合理，学习率过高会导致模型不收敛，学习率过低会导致训练速度慢、欠拟合；迭代次数不足会引发欠拟合，迭代次数过多会引发过拟合，需要根据验证集损失变化针对性调整超参数；（3）正则化层面排查：检查正则化强度是否合理，正则化不足容易引发过拟合，正则化过度容易引发欠拟合，调整L1/L2正则化系数、Dropout失活比例，改善模型泛化能力；（4）预处理层面排查：检查数据预处理流程是否正确，如图像数据的归一化处理、文本数据的分词编码、语音数据的降噪处理是否符合要求，是否存在预处理错误导致模型输入质量偏低，修正预处理流程解决问题。（10分）五、综合应用题答：（1）正式批量标注前，小张需要完成以下准备工作：①明确需求与规范：对接甲方需求，梳理12类意图的定义与边界，针对交叉场景制定明确的判定规则，例如用户同时提出多个意图时，按照业务优先级确定主标注意图，形成统一可执行的标注规范文档，所有标注人员统一执行；②预处理原始样本：对10000条原始对话样本进行清洗，完成去重、脱敏处理，剔除空对话、乱码对话等无效样本，补充缺失的对话上下文信息，整理形成规范的待标注样本库；③培训与试标注：组织所有参与标注的人员学习标注规范，开展试标注，试标注样本量不低于总样本的5%；试标注完成后统一审核结果，纠正标注人员对规则的错误理解，统一标注判定标准，淘汰无法掌握标注规则的人员；④制定质量管控方案：明确抽检比例、质量合格阈值、错误样本处理流程与项目进度安排，搭建标注环境，导入待标注样本，做好批量标注的各项准备。（1