(2025年)人工智能训练师三级练习题附答案

(2025年)人工智能训练师三级练习题附答案一、单项选择题（共20题，每题1分，总计20分。每题只有1个正确答案，请将正确答案的字母填在括号内）1.依据2025版《人工智能训练师国家职业技能标准》，三级/高级工的核心职责不包含以下哪项？（）A.训练数据的采集与质量校验B.通用大模型的全量预训练C.下游任务的参数高效微调D.模型基础性能评测与反馈2.训练数据质量评估中，“数据内容与标注目标的匹配契合程度”对应的质量维度是？（）A.准确性B.相关性C.一致性D.完整性3.下列大模型微调方法中，属于参数高效微调（PEFT）范畴且核心思路为低秩矩阵分解的是？（）A.LoRAB.全量微调C.继续预训练D.监督微调4.衡量两名标注员对同一批标注样本结果一致性的常用统计指标是？（）A.准确率B.召回率C.Cohen'sKappa系数D.F1值5.多模态训练数据中，“不同模态数据在语义、时间、空间维度的对应匹配程度”被称为？（）A.模态一致性B.模态对齐度C.模态相关性D.模态完整性6.模型训练过程中，训练集损失持续下降但验证集损失持续上升，最可能出现的问题是？（）A.欠拟合B.过拟合C.梯度消失D.梯度爆炸7.Prompt工程的核心目标是？（）A.减少模型参数量B.提升模型训练速度C.引导模型输出符合预期的结果D.降低数据标注成本8.以下不属于数据脱敏常用方法的是？（）A.匿名化B.加密C.数据增强D.泛化9.按照模型训练的层级划分，三级人工智能训练师主要参与的训练环节是？（）A.通用大模型预训练B.领域大模型继续预训练架构设计C.下游任务参数高效微调D.人类反馈强化学习（RLHF）reward模型训练10.在二分类任务中，精确率（Precision）和召回率（Recall）的调和平均值对应的性能指标是？（）A.准确率B.F1值C.AUC值D.混淆矩阵11.下列关于监督学习数据集划分的说法，正确的是？（）A.测试集可用于调整模型超参数B.验证集用于最终评估模型的泛化能力C.训练集用于模型的参数学习与迭代D.数据集划分无需考虑数据分布特征12.数据标注过程中，出现标注边界歧义样本时，正确的处理流程是？（）A.由标注员自行判断后标注B.直接丢弃存在歧义的样本C.提交标注专家制定补充规则后统一标注D.随机选择一种标注结果录入13.大模型生成的内容表述流畅但与客观事实不符的现象，通常被称为？（）A.梯度消失B.模型幻觉C.过拟合D.欠拟合14.依据2025年实施的《生成式人工智能服务管理规范》，训练数据采集使用无需遵守以下哪项要求？（）A.不得侵犯他人知识产权B.不得非法获取个人信息C.不得包含任何公共领域内容D.不得含有违法违规内容15.下列特征工程方法中，属于离散特征编码的是？（）A.归一化B.标准化C.One-Hot编码D.PCA降维16.模型训练中引入早停（EarlyStopping）机制的主要目的是？（）A.加快训练速度B.防止过拟合C.提升训练精度D.减少训练数据量17.多轮对话训练数据中，保证数据有效性的核心要求是？（）A.每轮对话的长度必须一致B.对话上下文连贯且逻辑自洽C.对话必须包含至少5轮交互D.对话发言者必须为不同角色18.数据清洗过程中，对于缺失值占比约15%的连续型特征，且缺失原因与特征本身无关联（随机缺失），最适宜的处理方法是？（）A.直接删除包含缺失值的全部样本B.用均值或中位数填充缺失值C.用众数填充缺失值D.直接丢弃该特征19.以下不属于人工智能训练师职业守则的是？（）A.遵纪守法，恪守伦理B.实事求是，保证质量C.窃取他人训练数据提升工作效率D.爱岗敬业，持续学习20.自动化数据标注最适用于以下哪种场景？（）A.标注规则模糊的多模态数据B.标注标准明确的大批量同质化数据C.小样本高难度的专业领域数据D.需要主观判断的情感标注数据二、多项选择题（共10题，每题2分，总计20分。每题有2个及以上正确答案，多选、少选、错选均不得分，请将正确答案的字母填在括号内）1.依据2025版《人工智能训练师国家职业技能标准》，三级/高级工的核心工作领域包含以下哪些？（）A.训练数据标注与质量管控B.大模型参数高效微调实施C.模型基础性能评测与归因D.通用大模型预训练算法设计E.训练数据合规性筛查2.下列属于参数高效微调（PEFT）方法的有？（）A.LoRAB.QLoRAC.全量微调D.PromptTuningE.AdapterTuning3.训练数据质量评估的核心维度包含以下哪些？（）A.准确性B.完整性C.一致性D.多样性E.时效性4.大模型生成内容的主观评测维度通常包含？（）A.流畅性B.相关性C.有用性D.安全性E.推理速度5.下列属于个人敏感信息的有？（）A.身份证号B.医疗健康记录C.公开的职务信息D.银行账户余额E.行踪轨迹6.过拟合的常用解决方法包含以下哪些？（）A.数据增强B.L2正则化C.早停机制D.增加模型参数量E.Dropout随机失活7.以下属于多模态训练数据常见类型的有？（）A.文本-图像对B.文本-音频对C.视频-文本对D.纯文本语料E.点云-文本对8.以下关于Prompt设计的原则，说法正确的有？（）A.指令明确具体，避免模糊表述B.可提供示例引导模型输出格式C.内容越冗长越好，尽可能包含所有信息D.需针对模型特性调整表述方式E.可以通过角色设定引导输出风格9.数据标注过程中，导致标注质量不合格的常见原因有？（）A.标注规则不清晰B.标注员培训不到位C.标注样本存在歧义D.标注质量校验机制缺失E.标注数据量过大10.依据生成式人工智能合规管理要求，以下属于训练数据采集使用禁止行为的有？（）A.未经许可获取他人享有著作权的作品B.非法收集、买卖个人信息C.使用公共领域的开源公开数据D.采集含有暴力、色情内容的违法数据E.伪造虚假训练数据用于模型训练三、判断题（共10题，每题1分，总计10分。正确的填“√”，错误的填“×”）1.三级人工智能训练师可以独立完成通用大模型的全量预训练工作。（）2.LoRA微调的核心原理是在大模型的注意力线性层插入低秩矩阵，训练时仅更新新增的低秩参数，无需更新模型全量参数。（）3.数据标注的一致性越高，标注数据的质量一定越好。（）4.大模型的幻觉问题可以通过单纯增加训练数据量完全解决。（）5.验证集的作用是在训练过程中调整超参数、监控模型训练状态，最终模型的泛化性能指标应以测试集结果为准。（）6.数据脱敏后的数据完全失去业务分析价值，不能用于模型训练。（）7.多模态模型训练时，输入的模态种类越多，模型的下游任务性能一定越好。（）8.Prompt工程仅适用于生成式大模型，不适用于传统监督学习模型。（）9.训练数据的多样性越高，模型的泛化能力通常越强。（）10.生成式人工智能服务提供者无需对用户输入的提示词负责，仅需对生成的内容负责。（）四、简答题（共4题，每题5分，总计20分）1.简述2025版《人工智能训练师国家职业技能标准》中三级/高级工的核心工作内容。2.简述训练数据质量评估的五大核心维度及对应内涵。3.简述LoRA微调的基本原理及核心优势。4.简述缓解大模型幻觉问题的3种常用方法。五、实操题（共2题，每题15分，总计30分）1.某电商平台需构建用户评论情感二分类模型（正向/负向），现有10万条原始用户评论数据，存在以下问题：①约8%的评论内容为空或仅含无意义符号与表情；②约12%的评论存在完全重复或高度相似重复；③标注结果显示，10%的样本标注不一致（两名标注员标注结果不同）；④部分评论包含用户手机号、收货地址等个人敏感信息。作为三级人工智能训练师，请写出完整的数据预处理流程及关键操作要求。2.某企业行政人员使用通用大模型生成“新入职技术岗员工3天培训方案”，初始prompt为“写一个培训方案”，生成的内容过于笼统、不符合技术岗需求、无具体时间安排。作为三级人工智能训练师，请完成以下任务：（1）优化该prompt，使其生成的内容符合业务需求；（2）说明优化的核心依据；（3）描述预期输出效果。参考答案一、单项选择题1.B解析：通用大模型全量预训练属于二级/技师及以上等级的工作内容，三级/高级工主要负责下游任务适配、数据处理、基础评测等工作。2.B解析：准确性指标注结果与客观事实的符合程度；一致性指不同标注主体的标注结果统一程度；完整性指数据无缺失遗漏。3.A解析：LoRA（Low-RankAdaptation，低秩适配）是参数高效微调的典型方法，核心是通过低秩矩阵分解减少训练参数量。4.C解析：Cohen'sKappa系数用于衡量两名标注员的标注一致性，可排除随机一致的干扰，更具参考性。5.B解析：模态对齐是多模态数据质量的核心指标，指不同模态数据在语义、时空维度的对应匹配程度。6.B解析：过拟合的典型表现为训练集效果持续变好，但验证集、测试集效果下降，模型对训练数据过度拟合，泛化能力差。7.C解析：Prompt工程是通过设计优化输入提示词，引导大模型输出符合用户预期的结果，属于推理阶段的优化技术。8.C解析：数据增强是扩充训练数据规模、提升数据多样性的方法，不属于数据脱敏范畴。9.C解析：三级人工智能训练师主要参与下游任务的参数高效微调、prompt优化等工作，预训练架构设计、RLHF奖励模型训练属于更高等级的工作内容。10.B解析：F1值是精确率和召回率的调和平均值，用于综合评估分类模型的性能。11.C解析：训练集用于模型参数学习；验证集用于调超参、监控训练状态；测试集用于最终评估泛化能力；划分时需采用分层抽样保证数据分布一致。12.C解析：标注歧义样本需提交专家制定统一规则后标注，不得自行判断或随意丢弃，保证标注质量的一致性。13.B解析：模型幻觉指大模型生成的内容看似流畅合理，但与客观事实不符、虚构信息的现象。14.C解析：公共领域的公开内容（如版权过期作品、政府公开信息）可合法用于训练数据采集。15.C解析：归一化、标准化是连续特征的缩放处理方法；PCA是降维方法；One-Hot编码是离散特征的常用编码方式。16.B解析：早停机制通过监控验证集损失，当损失持续不再下降时停止训练，避免模型过度拟合训练数据。17.B解析：多轮对话数据的核心要求是上下文连贯、逻辑自洽，轮数、长度等需根据任务需求调整，无统一强制要求。18.B解析：随机缺失且占比不高的连续型特征，采用均值/中位数填充可保留数据规模与特征信息，是常用处理方法；众数适用于离散型特征。19.C解析：窃取他人训练数据违反职业守则与法律法规，属于禁止行为。20.B解析：自动化标注适用于标注标准明确、大批量同质化的数据，可降低成本、提升效率；规则模糊、高难度、需主观判断的场景仍需人工标注。二、多项选择题1.ABCE解析：通用大模型预训练算法设计属于二级/技师及以上的工作内容，其余选项均为三级/高级工的核心工作领域。2.ABDE解析：全量微调需要更新模型全部参数，不属于参数高效微调范畴；其余选项均为参数高效微调的常用方法。3.ABCDE解析：训练数据质量的五大核心维度为准确性、完整性、一致性、多样性、时效性。4.ABCD解析：推理速度是客观性能指标，不属于主观评测维度。5.ABDE解析：公开的职务信息属于公开信息，不属于个人敏感信息范畴。6.ABCE解析：增加模型参数量会加重过拟合风险，其余选项均为过拟合的常用解决方法。7.ABCE解析：纯文本语料属于单模态数据，其余选项均为多模态训练数据的常见类型。8.ABDE解析：Prompt设计需简洁明确，而非越冗长越好，冗余信息会干扰模型判断，其余选项均为正确设计原则。9.ABCD解析：数据量过大不会直接导致标注质量不合格，只要流程规范、校验到位即可保证质量，其余选项均为常见质量问题原因。10.ABDE解析：公共领域的开源公开数据可合法使用，其余选项均为训练数据采集的禁止行为。三、判断题1.×解析：通用大模型全量预训练需要极高的算力与算法能力，属于二级/技师及以上等级的工作内容，三级训练师不承担该职责。2.√解析：LoRA的核心是在大模型线性层插入低秩矩阵，冻结原始参数，仅训练低秩参数，大幅降低训练成本。3.×解析：若标注标准本身错误，或标注员统一按照错误规则标注，一致性越高质量反而越差，标注质量需同时考核准确性与一致性。4.×解析：幻觉的产生原因包括数据偏差、模型架构缺陷、推理逻辑不足等，单纯增加数据量无法完全解决，需结合多维度方法缓解。5.√解析：验证集用于训练过程中的超参调整与状态监控，测试集用于最终评估模型的真实泛化能力，不得在训练过程中使用。6.×解析：合规的数据脱敏会保留数据的核心业务特征，既保护隐私，又可用于模型训练与业务分析。7.×解析：若模态之间语义不相关、存在噪声或冗余，反而会降低模型性能，需根据任务需求选择合适的模态组合。8.√解析：传统监督学习模型通过训练数据学习特征映射，无需通过prompt引导输出；prompt工程是适配生成式大模型的核心技术。9.√解析：多样性高的数据可覆盖更多应用场景，减少模型对特定模式的过拟合，提升泛化能力。10.×解析：依据相关法规，生成式AI服务提供者需对用户输入的提示词进行审核，防范违法违规输入，同时对生成内容的合法性负责。四、简答题1.参考答案：三级/高级工的核心工作内容分为四大模块：（1）数据处理：负责训练数据的采集、清洗、标注、质量校验与合规筛查，保障数据质量符合训练要求（2分）；（2）模型训练：能够运用LoRA等参数高效微调方法完成大模型下游任务适配，开展prompt优化与小样本训练实施（1.5分）；（3）模型评测：能够基于客观指标与主观标准开展模型基础性能评测，归因常见问题并反馈优化方向（1分）；（4）合规管控：落实数据与模型的伦理合规要求，开展数据隐私筛查、模型输出基础安全审核等工作（0.5分）。2.参考答案：训练数据质量评估的五大核心维度及内涵如下：（1）准确性：数据内容与标注结果符合客观事实或业务规则的程度，是数据质量的核心基础（1分）；（2）完整性：数据本身及对应标注没有缺失、遗漏的程度，缺失数据会影响模型学习效果（1分）；（3）一致性：不同标注员、同一标注员不同时间对同一样本的标注结果统一程度，反映标注标准的执行效果（1分）；（4）多样性：数据覆盖的场景、风格、分布的丰富程度，直接影响模型的泛化能力（1分）；（5）时效性：数据与当前业务场景、时间周期的匹配程度，过时数据会降低模型的业务适配性（1分）。3.参考答案：（1）基本原理：LoRA（低秩适配）的核心是假设大模型适配下游任务的参数更新量具有低秩特性，因此在大模型的线性层（通常为注意力层的Q、V矩阵）插入两个可训练的低秩分解矩阵，训练过程中冻结原始大模型的全部参数，仅更新新增的低秩矩阵参数，通过低秩矩阵的增量更新适配下游任务（3分）。（2）核心优势：①显存占用低，仅需训练少量参数，无需存储全量模型梯度，适配普通消费级显卡（1分）；②训练速度快，参数更新量小，训练周期大幅缩短（0.5分）；③部署灵活，可针对不同任务训练不同的低秩适配器，复用同一个基础大模型，降低部署成本（0.5分）。4.参考答案：缓解大模型幻觉的常用方法包括（答出任意3种即可得满分）：（1）数据优化：提升训练数据的准确性与权威性，引入权威知识库数据，清洗错误信息，从数据源头减少幻觉的诱发因素（2分）；（2）检索增强生成（RAG）：在推理阶段实时检索外部权威知识库的内容，将检索结果作为上下文输入模型，引导模型基于真实信息生成内容，是当前工业界最常用的幻觉缓解方案（2分）；（3）对齐训练：通过监督微调、人类反馈强化学习（RLHF）等方式，引导模型学习事实性输出规则，降低虚构内容的生成概率（1.5分）；（4）输出约束与校验：通过prompt引导模型标注信息来源、对不确定内容明确说明，或在输出层加入事实校验模块，过滤错误内容（1.5分）。五、实操题1.参考答案及评分标准（15分）：（1）敏感信息脱敏（3分）：首先对全量数据进行个人敏感信息识别与脱敏，采用正则匹配+命名实体识别（NER）技术定位手机号、收货地址等PII信息，使用加盐哈希、字符遮蔽等不可逆脱敏方法处理，确保数据符合《个人信息保护法》及相关合规要求（答出脱敏流程得1分，答出具体技术与合规要求得2分）。（2）无效数据清洗（4分）：①空值与无意义内容过滤：通过文本长度校验、正则匹配特殊符号/纯表情内容，筛选并删除无效评论，占比约8%的无效样本需全部清理（2分）；②去重处理：采用SimHash算法识别完全重复与高度相似的重复评论，每类重复样本保留1条有效数据，删除冗余重复内容（2分）。（3）标注质量优化（4分）：①歧义样本处理：对10%的标注不一致样本，提交资深标注专家组复核，明确边界场景的标注规则（如“商品质量好但物流慢”的情感判定规则），统一标准后重新标注（2分）；②质量校验：采用分层抽样法抽取10%的已标注样本进行准确率抽检，要求标注准确率≥95%，不合格样本重新标注，直至达标（2分）。（4）数据集划分（4分）：采用分层抽样方式，按照训练集:验证集:测试集=7:2:1的比例划分数据集，保证各数据集的正负样本比例与整体分布一致，避免数据分布偏移影响模型训练效果；同时将测试集单独封存，仅用于最终模型性能评估，不得在训练过程中使用（答出划分比例得1分，答出分层抽样与分布一