2026年人工智能工程师职业资格认证考试试卷(含答案)

2026年人工智能工程师职业资格认证考试试卷(含答案)一、单项选择题（共20题，每题1分，每题的备选项中，只有1个最符合题意）1.下列关于Transformer架构核心组件的描述，正确的是（）A.自注意力机制中查询（Q）、键（K）、值（V）的维度必须与输入嵌入维度完全一致B.多头注意力的作用是通过并行计算不同子空间的语义关联，降低模型过拟合风险C.编码器和解码器均包含交叉注意力层，用于对齐输入序列与输出序列的语义信息D.位置编码仅在训练阶段注入，推理阶段无需额外添加位置信息2.依据2025年工信部发布的《人工智能模型安全合规评估规范》，生成式人工智能服务提供者需留存用户交互日志的最低期限为（）A.6个月B.12个月C.24个月D.36个月3.某智能工厂部署的缺陷检测模型在测试集上准确率达99.2%，但上线后实际产线检测准确率仅87.5%，以下最不可能导致该现象的原因是（）A.训练数据未覆盖夜间工况下的低光照样本B.测试集与训练集存在高度同源的样本重复C.模型推理时将FP16精度转换为INT8精度导致精度损失达12%D.产线摄像头安装角度与训练数据采集角度存在15°偏差4.下列强化学习算法中，属于离线强化学习（OfflineRL）范畴的是（）A.DQNB.PPOC.CQLD.A2C5.大语言模型对齐技术中，RLHF（基于人类反馈的强化学习）的核心训练流程排序正确的是（）①训练奖励模型②预训练基础大模型③用PPO算法微调模型④收集人类标注的偏好数据A.②④①③B.②①④③C.④②①③D.④①②③6.下列关于边缘端AI模型部署的描述，错误的是（）A.量化技术可通过将32位浮点数参数转换为8位整数，降低模型内存占用75%左右B.知识蒸馏过程中，学生模型的参数量必须小于教师模型，否则无法实现知识迁移C.TensorRT可通过算子融合、内核自动调优提升GPU端推理速度D.端侧模型需考虑功耗约束，通常推理延迟需控制在100ms以内以保障用户体验7.下列多模态模型架构中，采用“统一嵌入空间+跨模态对比学习”预训练范式的是（）A.GPT-4VB.CLIPC.FlamingoD.LLaVA8.依据《人工智能工程师职业能力评价准则（2025版）》，中级AI工程师需具备的核心能力不包括（）A.独立完成千万级参数模型的全流程开发与部署B.主导百亿参数大模型的分布式训练架构设计C.排查模型上线后的精度漂移、推理延迟等工程问题D.基于业务场景设计合理的数据标注与质量校验方案9.模型可解释性方法中，属于事后（Post-hoc）局部解释方法的是（）A.LIMEB.注意力权重可视化C.决策树规则提取D.概念激活向量（CAV）10.某分类任务的数据集类别分布为正样本占95%、负样本占5%，若模型在测试集上的准确率为95%，则该模型的F1值最接近（）A.0.95B.0.5C.0.05D.011.分布式大模型训练中，下列哪种并行策略的核心是将模型的不同层拆分到不同计算节点，降低单节点内存压力（）A.数据并行B.张量并行C.流水线并行D.优化器状态并行12.下列关于AI系统数据安全的描述，符合《生成式人工智能服务管理暂行办法》要求的是（）A.训练涉及个人信息的数据集时，无需取得个人单独同意即可用于商业化训练B.模型推理过程中产生的用户临时数据，可直接用于模型迭代训练无需告知用户C.涉及敏感个人信息的训练数据需经过去标识化、匿名化处理，且无法反向定位到特定个人D.合作方提供的训练数据无需做来源合规审核，由合作方承担全部数据安全责任13.计算机视觉任务中，语义分割与实例分割的核心区别是（）A.语义分割需识别目标类别，实例分割仅需识别目标轮廓B.语义分割对同类目标不做个体区分，实例分割需区分同类的不同个体C.语义分割输入为单张图像，实例分割输入为视频序列D.语义分割模型参数量远大于实例分割模型14.下列大模型推理优化技术中，通过提前终止未完成的解码路径、降低无效计算来提升速度的是（）A.KV缓存B.投机解码C.连续批处理D.分页注意力15.时序预测模型中，下列哪种结构能够有效捕捉长序列时间依赖，且避免了循环神经网络的梯度消失问题（）A.LSTMB.GRUC.TemporalConvolutionalNetwork（TCN）D.ARIMA16.AI模型上线后，持续监控的核心指标不包括（）A.训练集数据标注准确率B.推理平均延迟与P99延迟C.不同用户群体下的模型公平性偏差D.数据分布漂移程度17.下列关于提示工程（PromptEngineering）的描述，错误的是（）A.思维链（CoT）提示通过引导模型逐步推理，可显著提升复杂数学、逻辑任务的准确率B.少样本提示（Few-shot）提供的示例数量越多，模型输出效果一定越好C.系统提示可用于设定模型的角色、输出格式与安全边界D.检索增强生成（RAG）本质上是将外部知识库内容注入提示上下文，降低模型幻觉18.联邦学习的核心优势是（）A.大幅提升模型训练速度B.实现数据“可用不可见”，保障数据隐私C.降低模型训练的算力需求D.提升模型在跨域任务上的泛化能力19.下列AI伦理风险中，属于算法偏见导致的问题是（）A.大模型生成包含虚假事实的错误回答B.人脸识别系统对深色肤色人群的识别错误率是浅色肤色人群的10倍C.自动驾驶系统在极端天气下无法识别障碍物D.智能客服系统无法理解用户的方言提问20.下列模型压缩技术中，通过移除模型中贡献度低的参数、减小模型结构规模的是（）A.量化B.剪枝C.知识蒸馏D.低秩分解二、多项选择题（共10题，每题2分，每题的备选项中，有2个或2个以上符合题意，至少有1个错项；错选，本题不得分；少选，所选的每个选项得0.5分）1.大语言模型训练过程中，可能导致模型出现幻觉现象的原因有（）A.训练数据中存在虚假信息、事实性错误B.预训练目标为下一词预测，模型本质是学习概率分布而非事实存储C.训练阶段知识截止时间之后的新事实未被模型学习D.注意力机制计算过程中出现数值溢出2.下列属于AI工程化MLOps核心环节的有（）A.数据版本管理与流水线自动化B.模型版本管理与灰度发布C.模型在线监控与自动重训触发D.模型结构的理论创新与算法突破3.分布式训练中，采用混合精度训练的收益包括（）A.降低模型参数内存占用，可支撑更大batchsize训练B.提升GPU张量核心利用率，加快训练速度C.完全避免训练过程中的梯度消失问题D.降低训练过程中的显存带宽压力4.下列生成式AI模型的应用场景中，需要重点进行内容安全审核的有（）A.面向公众开放的AI绘画生成服务B.企业内部的代码辅助生成工具C.面向未成年人的智能对话服务D.医疗领域的AI辅助诊断报告生成5.下列关于检索增强生成（RAG）技术的描述，正确的有（）A.RAG可在不重新训练模型的前提下，为大模型注入最新的领域知识B.RAG的检索召回率直接影响最终生成答案的准确性C.RAG可完全替代大模型的微调，在所有场景下取得更优效果D.向量数据库是RAG系统的核心组件之一，用于存储文本块的嵌入向量6.评价计算机视觉目标检测模型性能的核心指标包括（）A.mAP（平均精度均值）B.帧率（FPS）C.BLEU值D.交并比（IoU）阈值下的召回率7.下列属于AI模型合规性评估要点的有（）A.训练数据来源是否合法，是否获得相应授权B.模型输出是否存在歧视性内容、是否符合公序良俗C.模型推理速度是否达到业界最高水平D.是否为用户提供关闭个性化推荐、删除个人交互数据的通道8.强化学习在实际工业场景落地时，常见的难点包括（）A.真实场景中试错成本高，难以直接在线训练智能体B.奖励函数设计困难，容易出现奖励黑客（RewardHacking）现象C.仿真环境与真实环境存在现实差距（RealityGap），仿真训练的模型迁移到真实场景效果差D.强化学习模型无法处理高维度的感知输入9.大模型参数高效微调（PEFT）技术的特点包括（）A.仅微调模型中极少量参数，大部分预训练参数保持冻结B.微调后的模型参数量远小于全参数微调，便于存储与部署C.效果一定优于全参数微调，可在所有场景下替代全参数微调D.常见技术包括LoRA、PrefixTuning、Adapter等10.下列关于AI算力设备的描述，正确的有（）A.GPU相较于CPU，拥有更多计算核心，适合并行计算密集型的AI训练任务B.NPU（神经网络处理器）针对AI算子做了硬件级优化，端侧推理能效比高于通用GPUC.训练千亿参数大模型必须使用A100/H100级别的高端GPU，其他设备无法支撑D.算力集群的网络带宽直接影响分布式训练的效率，常用InfiniBand网络降低通信延迟三、案例分析题（共2题，每题20分，共40分）1.某省级医疗平台计划部署AI辅助肺癌筛查系统，核心功能是基于患者胸部CT影像自动识别肺结节并给出恶性风险评级，辅助放射科医生提升诊断效率。项目组收集了12万份来自3家三甲医院的CT影像数据，其中标注为恶性结节的样本共8000份，其余为良性结节或无结节样本，计划基于3DResNet架构开发模型。（1）该数据集存在明显的类别不平衡问题，请写出3种可解决该问题的技术方案，并分别说明其适用场景。（2）若模型在内部测试集上准确率达到97%，但在合作的县级医院部署测试时准确率仅82%，请分析可能的原因，并给出对应的验证与解决方法。（3）该系统属于医疗AI三类医疗器械，上线前需通过合规性评估，请列出至少4项核心评估维度，并说明每个维度的评估要点。2.某互联网企业计划基于开源70亿参数大模型开发内部知识库智能问答助手，服务1.2万名内部员工，支持查询公司规章制度、产品技术文档、项目历史资料等内容，要求回答准确、不出现虚假信息，单query响应时间不超过2s，支持并发查询量不低于200QPS。项目组初步评估后决定采用RAG架构实现该系统。（1）请画出该RAG系统的完整技术链路，说明每个核心模块的功能。（2）项目组测试发现，当用户提问涉及多个跨文档的知识点时，系统经常出现回答不完整、知识点遗漏的问题，请分析可能的原因，并给出3种优化方案。（3）为满足200QPS的并发要求、且响应时间控制在2s以内，从工程部署角度写出至少4种优化措施。四、算法设计题（共1题，共20分）某电商平台需要搭建用户评论情感分类模型，将用户公开评论分为“正面、中性、负面”三类，标注数据集共100万条，类别分布为正面62%、中性23%、负面15%，要求模型在测试集上的加权F1值不低于0.92，单条评论推理延迟不超过20ms，部署在CPU集群上。请写出完整的模型开发与部署方案，要求包含：（1）数据预处理与数据集划分方案；（2）模型选型与训练策略，说明选型依据；（3）模型效果评估方案与核心指标；（4）模型压缩与CPU端部署优化方案，保障延迟要求。参考答案一、单项选择题1.B2.A解析：依据2025年工信部《人工智能模型安全合规评估规范》5.2.3条，生成式AI服务需留存用户交互日志不少于6个月。3.C解析：正常INT8量化精度损失通常在1%以内，12%的精度损失属于异常情况，并非工业落地常见问题。4.C5.A6.B7.B8.B9.A10.B11.C12.C13.B14.B15.C16.A17.B18.B19.B20.B二、多项选择题1.ABC2.ABC3.ABD4.ACD5.ABD6.ABD7.ABD8.ABC9.ABD10.ABD三、案例分析题1.（1）解决方案：①类别重采样：对恶性结节样本做过采样（如复制小类样本、SMOTE生成合成样本），对大类样本做欠采样，适用于数据集总量较小、小类样本特征差异小的场景，需注意过采样易导致过拟合，欠采样易丢失大类信息；②损失函数加权：在交叉熵损失中为小类样本分配更高权重，权重与类别样本量成反比，适用于所有类别不平衡场景，无需改动数据分布，训练稳定性高；③两阶段训练：第一阶段训练目标检测模型定位疑似结节区域，第二阶段训练分类模型针对疑似区域做良恶性判断，适用于医疗影像这类小目标占比低、定位难度大的场景，可降低负样本占比过高对分类的干扰。（2）原因与解决方法：①数据分布漂移：县级医院CT设备型号、扫描参数、图像分辨率与训练数据源三甲医院存在差异，导致数据分布不一致。验证方法：收集县级医院的1000份样本做统计分析，对比灰度分布、噪声水平与训练集的差异；解决方法：补充少量县级医院的标注数据做微调，或在数据预处理阶段增加图像归一化、降噪、分辨率统一的适配模块。②标注标准不一致：三甲医院的结节标注标准与县级医院医生的判断标准存在差异，测试集标注标准不统一。验证方法：组织两家医院的放射科医生对测试集做交叉标注，计算标注一致性系数；解决方法：统一标注规范，补充符合新标注标准的样本迭代优化模型。③场景适配问题：县级医院的患者人群存在年龄、基础病分布差异，导致结节形态特征与训练集分布不同。验证方法：对比两家医院患者的人口统计学信息与结节特征分布；解决方法：在模型中引入患者临床特征作为辅助输入，提升泛化性。（3）合规评估维度：①数据合规：评估训练数据来源是否获得患者知情同意，是否做了去标识化处理，是否符合医疗数据安全规范；②算法性能：评估模型在不同层级医院、不同设备数据上的泛化性、敏感性、特异性，尤其是对恶性结节的漏诊率需控制在临床可接受范围内；③可解释性：评估模型输出是否提供判别依据（如结节定位热力图、恶性风险相关特征说明），满足临床医生对结果可追溯的要求；④鲁棒性与安全性：评估模型对CT图像噪声、运动伪影、扫描层厚差异的抗干扰能力，避免出现误判导致医疗事故；⑤全生命周期管理：评估模型上线后的持续监控机制、迭代更新流程、不良事件上报机制，符合医疗器械监管要求。2.（1）技术链路：①离线知识库处理模块：负责收集公司内部所有非结构化文档，做格式解析、文本分块、元数据标注，通过Embedding模型生成向量存入向量数据库，支持定期增量更新；②在线检索模块：接收用户query后生成query向量，从向量数据库中召回TopN相关文本块，结合关键词检索结果做重排序，筛选最相关的上下文片段；③大模型推理模块：将系统提示、检索到的上下文、用户query拼接成prompt，输入微调后的大模型生成回答；④安全审核模块：对模型生成的回答做敏感信息校验、事实一致性校验，过滤违规或错误内容后返回给用户；⑤反馈迭代模块：收集用户对回答的点赞、点踩、纠错信息，用于优化检索策略、补充知识库、迭代微调模型。（2）原因与优化方案：原因包括分块策略不合理，跨文档知识点被拆分到不同文本块中，检索阶段无法同时召回关联片段；检索召回粒度太粗，无法匹配分散在不同文档的关联知识点；prompt上下文窗口限制，无法同时容纳过多召回片段。优化方案：①优化文档分块策略，采用父子块结构，父块保留完整章节语义，子块做精准向量检索，召回后关联对应父块内容补充上下文；②引入多轮检索与查询重写，对复杂query先做分解，拆解为多个子问题分别检索，再将所有召回结果整合后输入大模型；③增加知识图谱关联，将文档中的实体、关系结构化存储，检索时结合知识图谱中的关联实体补充跨文档知识点，解决信息遗漏问题。（3）部署优化措施：①推理性能优化：采用vLLM推理框架，开启分页注意力、连续批处理能力，提升GPU吞吐率，配合KV缓存减少重复计算；②模型量化：将FP16精度模型量化为INT8精度，在精度损失小于1%的前提下降低显存占用、提升推理速度；③架构分层优化：将高频问题的标准答案存入缓存，命中缓存时直接返回，无需调用大模型推理，降低后端压力；④弹性扩缩容：基于QPS监控数据配置K8s弹性扩缩容策略，高峰时段自动扩容推理实例，低峰时段缩容降本；⑤检索链路优化：优化向量数据库索引结构（如采用HNSW索引），将检索延迟控制在100ms以内，避免检索环节成为瓶颈。四、算法设计题（1）数据预处理与划分方案：①数据清洗：去除评论中的HTML标签、特殊符号、重复评论，过滤长度小于2个字符的无效评论，对评论文本做中文分词、停用词过滤；②数据集划分：按7:2:1的比例分层划分训练集、验证集、测试集，保证每个集合中的类别分布与整体数据集一致，避免数据泄露（训练集与测试集无重复用户、重复评论）；③数据增强：针对占比最低的负面评论做数据增强，包括同义词替换、回译、随机插入/删除词汇，扩充小类样本量，缓解类别不平衡问题。（2）模型选型与训练策略：选型依据：任务为短文本三分类，要求CPU推理延迟低、F1值达标，因此选用基于中文BERT蒸馏的轻量模