2026年人工智能训练师(四级)实操技能模拟题库及答案

2026年人工智能训练师(四级)实操技能模拟题库及答案实操题1图像目标检测标注任务处理题目描述：现有一批自动驾驶场景路侧拍摄的日间行车图像，共120张，要求标注图像中出现的小型机动车（含轿车、SUV）、大型机动车（含公交车、货车、客车）、非机动车（含自行车、电动自行车）、行人四类目标，任务规范要求：①遮挡率超过70%的目标无需标注；②完全出现在画面内的目标，标注框需距离目标边缘不超过5像素；③同一目标不允许重复标注；④逆光下轮廓清晰的目标必须标注。现有一张待标注样本图像参数：图像分辨率1920×1080，画面左侧有一个骑自行车的行人，行人全身被停靠的公交车完全遮挡，仅露出头部，占整个人体比例约15%，自行车仅露出前轮1/4；画面中间逆光位置有一辆白色轿车，左前轮被路牌遮挡，遮挡占整辆车轮廓比例约20%，整辆车其余部分轮廓清晰；画面右侧路边完整停靠一辆重型平板货车，路牌属于背景无需标注。问题：请写出该图像的完整标注操作步骤，并说明每个目标的标注处理结果及判定依据。参考答案：（1）完整标注步骤第一步：图像预处理校验，检查图像是否存在过曝、模糊无法识别目标的情况，确认本图像质量符合标注要求，进入标注流程；第二步：逐目标识别判定，按照从左到右的顺序依次识别画面中的所有目标，逐个对照标注规范判定是否需要标注，对需要标注的目标生成标注框并添加对应类别标签；第三步：标注后合规校验，检查所有标注框的位置、大小是否符合要求，核对是否存在漏标、错标、重复标注问题；第四步：确认无误后提交标注结果。（2）各目标处理结果及依据①左侧骑行的行人与自行车：遮挡率分别为85%、75%，均超过规范要求的70%阈值，因此不进行标注，符合任务规范要求。②中间逆光位置的白色轿车：属于小型机动车，遮挡率仅为20%，且轮廓清晰，符合标注要求，因此添加标注框，标注类别为小型机动车，标注框边缘距离轿车轮廓不超过5像素，符合要求。③右侧完整停靠的重型货车：属于大型机动车，无遮挡轮廓完整，符合标注要求，因此添加标注框，标注类别为大型机动车。本图无其他需要标注的目标。实操题2文本意图分类标注任务处理题目描述：某电商智能客服意图分类数据集标注任务，分类体系包含：咨询订单物流、咨询售后退款、咨询商品参数、投诉商品质量、其他共5类，标注规范要求：①多意图文本优先标注用户核心诉求；②无明确诉求的文本归类为其他；③用户同时提及物流问题和退款诉求的，核心诉求为退款的归为咨询售后退款类。现有待标注文本内容为：“我昨天付尾款买的手机到现在还没发货，我不想要了能把钱退给我吗”。问题：请写出本文本的标注结果，说明判定依据，并简述完成1000条该类文本标注后的质量自查完整流程。参考答案：（1）标注结果：咨询售后退款（2）判定依据：本文本中用户虽然提及了“未发货”的物流相关问题，但核心诉求是申请退款，符合标注规范中“多意图优先标注核心诉求”的规则，因此归类为咨询售后退款。（3）质量自查完整流程：第一步：抽样复标校验，按照不低于10%的比例随机抽取100条已标注样本进行二次标注，计算标注一致率，若一致率低于95%，则需要对全部1000条样本进行全量复标；第二步：边界样本复检，筛选出同时包含多个意图的边界模糊样本，批量核对是否都遵循了核心诉求优先的标注规则，修正错标样本；第三步：分类占比校验，导出标注结果统计每个分类的样本占比，与项目要求的分类占比范围做比对，若偏差超过10%，则排查是否存在系统性错标问题，比如将大量退款诉求错标为物流咨询；第四步：元信息校验，检查所有样本的标注标签、标注人信息、标注时间等元信息是否完整，确认不存在空标、漏标问题后，归档提交标注结果。实操题3情感分析Prompt设计实操题目描述：某电商平台需要训练大模型完成用户评论的三元组抽取式情感分析，要求模型输出格式为标准JSON，内容结构为`[{"target":"评价对象","sentiment":"情感倾向","opinion":"评价词"}]`，情感倾向仅允许分为正面、负面、中性三类，不允许出现其他分类。现有一条待处理用户评论：“这款手机的电池续航很给力，就是拍照有点模糊，系统流畅度还可以”。问题：请设计符合要求的零样本Prompt，写出完整Prompt内容、模型输出的正确结果，并说明设计该Prompt的核心注意要点。参考答案：（1）完整Prompt内容：你是专业的电商评论情感分析助手，请严格按照以下要求完成分析任务：1.从用户评论中抽取用户评价的产品属性，对应情感倾向和评价词；2.情感倾向只能从「正面、负面、中性」三个选项中选择，不允许输出其他内容；3.必须严格按照给定的JSON格式输出，不允许输出任何额外的解释、说明内容。待分析用户评论：这款手机的电池续航很给力，就是拍照有点模糊，系统流畅度还可以（2）模型输出正确结果：[{"target":"电池续航","sentiment":"正面","opinion":"很给力"},{"target":"拍照","sentiment":"负面","opinion":"有点模糊"},{"target":"系统流畅度","sentiment":"中性","opinion":"还可以"}]（3）Prompt设计核心注意要点：①明确角色定位，让模型快速匹配任务场景，提升输出准确性；②明确输出格式约束，避免模型生成多余的解释性内容，保证输出结果可以直接用于后续结构化处理；③明确规则边界，限定情感倾向的可选范围，避免模型自造分类，增加后续处理成本；④指令表述简洁无歧义，避免多重含义或模糊表述导致模型理解偏差，降低错误率。实操题4AI训练数据清洗实操题目描述：现有1万条文本问答对数据集，用于训练电商智能客服问答模型，原始数据中已识别出五类问题数据：①问答对不匹配，问题为“怎么申请退款”，回答为“我们普通订单的发货时间是48小时内”；②完全重复数据，同一条问答对重复出现3次；③低质量无意义数据，问题内容为“啊啊啊啊”“qwerty”这类无明确语义的内容；④含敏感隐私数据，问答对中包含明文存储的用户身份证号、手机号信息；⑤任务外数据，问答对内容为平台未上线产品的咨询，不属于当前智能客服的业务覆盖范围。问题：请写出该数据集的完整清洗流程，说明每类问题数据的处理方式，并列出清洗后需要校验的核心指标及合格标准。参考答案：（1）完整清洗流程：第一步：规则批量初筛，通过规则引擎对全量数据做初步过滤，处理重复数据、无意义低质量数据和敏感数据；第二步：语义匹配筛查，通过预训练语义模型计算问题和回答的语义相似度，筛出语义不匹配的问答对；第三步：业务规则筛查，根据当前智能客服的业务覆盖范围，筛出不在服务范围内的任务外数据；第四步：人工复核，对自动筛查出的存疑数据做人工判定，避免误筛正确数据；第五步：清洗后数据按训练集、验证集分类归档存储。（2）各类问题数据处理方式：①问答对不匹配：人工复核确认后，若可以匹配到正确回答则修正后保留，无法修正的直接删除该条数据；②完全重复数据：仅保留1条去重后的有效数据，删除其余重复副本，减少数据冗余对模型训练的干扰；③低质量无意义数据：直接整条删除，该类数据无法为模型训练提供有效信息；④含敏感隐私数据：若敏感信息不影响核心语义，通过脱敏替换（如手机号替换为1）处理后保留，若敏感信息为数据核心内容则直接删除整条数据，确保数据合规；⑤任务外数据：从当前训练集中剔除，归类归档到备用数据集，避免干扰模型训练的业务方向。（3）核心校验指标及合格标准：①数据准确率：随机抽取10%清洗后数据人工核查，残留问题数据占比不超过1%为合格；②去重完成率：重复数据清除率达到100%为合格；③脱敏合规率：敏感数据脱敏正确率100%，无明文隐私信息留存为合格；④问答匹配率：清洗后问答对语义匹配率不低于99%为合格。实操题5RAG架构大模型输出错误排查与修正题目描述：某家电企业智能售前机器人被用户反馈多次出现答非所问的问题，测试得到一组错误交互：用户提问“你们这款1.5匹空调的一级能效和三级能效有什么区别？”，机器人回答“我们品牌全系列空调整机保修6年，核心部件保修10年，欢迎选购”，该机器人采用检索增强生成（RAG）架构，企业知识库中已经存储了该款空调一级能效和三级能效区别的正确说明文档。问题：请按照RAG架构的流程，分步骤排查错误成因，并写出对应的修正方案。参考答案：（1）分步排查流程①检索阶段排查：首先检查用户提问的向量编码是否正确，测试是否能从向量数据库中正确召回对应能效差异的文档，检查正确文档是否完成索引更新入库，检查语义召回的相似度阈值设置是否过高，导致正确文档未进入召回列表。②排序阶段排查：检查多路召回文档的排序逻辑，确认是否将保修相关文档的排序得分设置过高，导致错误文档排在正确文档之前，生成阶段仅获取到错误的上下文信息。③生成阶段排查：若检索和排序都已经正确召回了目标文档，检查Prompt是否添加了足够强的上下文约束，检查生成温度参数设置是否过高，导致模型随机性过大，忽略检索到的上下文，优先生成了高频通用回答。（2）对应修正方案①检索阶段问题修正：若为索引未更新，重新更新向量数据库索引，完成正确文档的向量入库；若为召回阈值过高，适当下调相似度阈值，保证正确文档进入召回列表。②排序阶段问题修正：调整排序模型的特征权重，提升提问与文档语义匹配度的权重，降低文档点击率、曝光量等无关特征的权重，重新校准排序模型，保证正确文档排在检索列表前两位。③生成阶段问题修正：优化Prompt，添加“必须严格根据提供的上下文内容回答用户问题，不允许输出和问题无关的内容”的强约束，将生成温度从0.8下调至0.3，降低生成随机性；若修正后仍存在问题，采集10-20条同类问题样本对模型做小参数微调，强化模型遵循上下文的能力。实操题6多分类模型效果指标计算题目描述：某AI训练师完成意图分类模型训练后，对模型进行测试，测试集共1000条样本，分类体系共4类，测试结果统计：所有类别合计真正例（TP）为870个，假正例（FP）为80个，假负例（FN）为90个，真负例（TN）为4760个，要求按宏平均计算模型指标。问题：请分别计算该模型的精确率（Precision）、召回率（Recall）、F1值，写出完整计算过程和结果。参考答案：计算过程：（1）精确率计算公式为P=TP/(TP+FP)，代入数值可得：P=870/(870+80)=870/950≈0.9158，即精确