2026年人工智能工程师核心知识考核试题及答案

2026年人工智能工程师核心知识考核试题及答案一、单项选择题（每题2分，共15题，30分）1.在监督学习中，训练数据必须包含：A.输入特征和对应的标签B.仅输入特征C.仅输出标签D.不需要任何数据答案：A2.在梯度下降优化中，学习率设置过大最可能导致：A.训练过程震荡甚至无法收敛B.收敛速度明显加快且效果更优C.模型立即过拟合D.梯度计算复杂度显著降低答案：A解析：学习率过大时，参数更新步长超出合理范围，损失值在最优点附近来回振荡甚至发散，最终无法收敛。3.下列哪个激活函数的输出范围是(0A.ReLUB.SigmoidC.tanhD.LeakyReLU答案：B解析：Sigmoid输出在(0,14.二分类任务中，当正负样本严重不平衡时，下列哪个指标比准确率更能反映模型对少数类的识别能力？A.召回率B.均方误差C.R2D.训练时间答案：A解析：类别不平衡时，把全部样本判为多数类也能获得很高准确率。召回率关注真实正类中被正确预测的比例，更适合评估少数类识别能力。5.关于卷积神经网络的池化层，下列说法正确的是：A.能减小特征图尺寸并带来一定的平移不变性B.包含大量可学习参数C.会改变特征图的通道数D.只能放在全连接层之后答案：A解析：最大池化和平均池化在空间维度下采样，不引入可学习参数，通道数保持不变，通常位于卷积层之后。6.Transformer模型最核心的机制是：A.循环连接B.自注意力机制C.卷积核滑动D.玻尔兹曼机答案：B7.下列哪种方法属于无监督学习？A.逻辑回归B.线性回归C.K-Means聚类D.支持向量机答案：C8.在PyTorch中，张量参与自动求导（Autograd）的默认前提是：A.设置requires_grad=TrueB.设置is_cuda=TrueC.设置persistent=TrueD.设置dynamic=True答案：A解析：PyTorch仅对requires_grad=True的张量构建计算图并记录梯度；是否使用CUDA与自动求导无关。9.Dropout技术的主要作用是：A.防止过拟合B.加速数据加载C.提高训练集准确率D.减小模型推理延迟答案：A解析：Dropout在训练时随机丢弃部分神经元，迫使网络不过度依赖某些路径，从而提升泛化能力，是一种正则化手段。10.在大语言模型推理中，temperature（温度）参数主要控制：A.生成文本的随机性与多样性B.模型参数量C.输入序列最大长度D.GPU显存占用答案：A解析：temperature通过调整Softmax分布的尖锐程度影响采样随机性，温度越高输出越发散，越低越确定。11.关于迁移学习，下列说法正确的是：A.将预训练模型的知识迁移到新任务，可减少训练数据需求B.必须从头初始化并训练全部参数C.只能应用于自然语言处理任务D.迁移学习的效果必然优于从头训练答案：A解析：迁移学习利用预训练模型初始化或提取特征，通常能加快收敛并降低数据需求，但并非保证最优，也适用于计算机视觉等任务。12.在RAG（检索增强生成）系统中，检索模块的主要作用是：A.从外部知识库中获取与问题相关的上下文片段B.直接生成最终答案C.对模型参数进行微调D.对训练数据进行扩充答案：A13.强化学习中，智能体学习的最终目标是：A.最大化累积奖励（回报）B.最小化训练集损失C.最大化模型参数量D.最小化每次决策的推理时间答案：A解析：强化学习通过试错与环境交互，目标是最大化长期折扣累积回报，而非单步即时奖励或监督损失。14.下列哪种结构专门用于缓解深层网络训练中的梯度消失问题？A.残差连接（ResidualConnection）B.数据扩充C.K折交叉验证D.特征缩放答案：A解析：残差连接引入恒等映射y=15.在AI伦理领域，算法偏见（Bias）主要指：A.训练数据偏差导致模型对特定群体产生不公平结果B.模型推理速度过慢C.模型参数量过大D.训练数据量不足答案：A解析：偏见通常源于训练数据中已有的偏差或采样不均衡，模型学习并放大了这些偏差，造成群体层面的不公平。二、多项选择题（每题3分，共5题，15分）1.下列属于常见深度学习框架的有：A.PyTorchB.TensorFlowC.Scikit-learnD.PaddlePaddle答案：ABD解析：PyTorch、TensorFlow、PaddlePaddle均支持自动求导与GPU加速；Scikit-learn是传统机器学习库，不具备深度学习核心能力，故不选C。2.下列哪些方法可以有效缓解过拟合？A.L2正则化B.数据增强C.DropoutD.无限增大模型容量答案：ABC解析：正则化、数据增强、Dropout均能提升泛化能力；无限增大模型容量会加剧过拟合，故D错误。3.关于Transformer的多头自注意力机制，下列说法正确的有：A.不同注意力头在不同的表示子空间学习特征B.多个头的输出通常拼接后经过线性变换C.自注意力对序列各位置可以并行计算D.自注意力的计算复杂度与序列长度无关答案：ABC解析：标准自注意力需计算所有位置两两之间的注意力分数，复杂度为O(n24.在基于大语言模型的应用开发中，常见的技术手段包括：A.提示工程（PromptEngineering）B.LoRA低秩微调C.检索增强生成（RAG）D.手工编写SQL触发器答案：ABC解析：提示工程、LoRA、RAG是LLM应用落地的常用技术；SQL触发器与LLM应用无直接关系，故不选D。5.关于模型评估指标，下列说法正确的有：A.精确率衡量预测为正类的样本中真正为正类的比例B.召回率衡量真实正类中被正确预测的比例C.F1值是精确率与召回率的调和平均数D.AUC越大，通常表示模型把正样本排在负样本前面的能力越强答案：ABCD解析：四个选项分别对应精确率、召回率、F1与AUC的标准定义，均正确。三、判断题（每题1分，共10题，10分）1.训练集上的准确率越高，模型的泛化能力一定越强。答案：错误解析：训练集表现优秀可能只是过拟合，泛化能力应以独立验证集或测试集上的表现来衡量。2.ReLU激活函数可以在一定程度上缓解梯度消失问题。答案：正确解析：ReLU在正区间导数为常数1，避免了Sigmoid/tanh在饱和区梯度趋近于零的问题。3.卷积神经网络只能处理图像数据。答案：错误解析：CNN同样适用于文本、语音、视频与一维时序信号等结构化数据。4.迁移学习可以用预训练模型作为新任务的初始化参数，从而减少训练时间和数据需求。答案：正确解析：预训练参数携带通用特征，在新任务上微调可加速收敛并降低数据需求。5.在强化学习中，智能体只能获得即时奖励，无法感知长期回报。答案：错误解析：强化学习通过折扣累积回报（Return）建模长期收益，智能体决策时需权衡当前与未来奖励。6.特征标准化对基于距离的算法（如KNN、K-Means）影响不大。答案：错误解析：若特征尺度差异悬殊，欧氏距离会被大尺度特征主导，标准化使各特征对距离的贡献相对均衡。7.大语言模型的“幻觉”指模型生成了与事实不符但语法通顺的内容。答案：正确8.Dropout在训练阶段和推理阶段都会随机丢弃神经元。答案：错误解析：Dropout仅在训练时生效；推理阶段关闭Dropout，使用完整网络权重进行前向计算。9.精确率与召回率通常是此消彼长的关系，F1值用于综合权衡二者。答案：正确解析：提高判定阈值通常提升精确率、降低召回率，反之亦然；F1为二者的调和平均，兼顾精确率与召回率。10.训练数据中的社会偏见可能被模型学习并放大，导致模型输出存在歧视性结果。答案：正确解析：模型从数据中学习统计规律，数据中的偏差会被编码进模型参数，从而产生不公平、歧视性的输出。四、简答题（每题5分，共3题，15分）1.简述监督学习与无监督学习的区别，并各举一个典型算法。•监督学习：训练样本同时包含输入特征与标签，模型学习从特征到标签的映射关系，用于分类或回归。典型算法：线性回归、逻辑回归、决策树、支持向量机、随机森林。•无监督学习：训练样本只有输入特征、没有标签，模型从数据自身发现结构、分布或聚类模式。典型算法：K-Means、DBSCAN、PCA、自编码器。2.什么是过拟合？写出三种缓解过拟合的常用方法。答案：过拟合是指模型在训练数据上表现优异，但在未见过的测试数据上表现较差，即模型“背下了”训练集的噪声与细节，泛化能力不足。常用缓解方法（答出任意三种即可）：(1)正则化：L1/L2正则化对参数施加惩罚，限制模型复杂度；(2)Dropout：训练时随机丢弃部分神经元，增强鲁棒性；(3)数据增强：通过旋转、裁剪、加噪、同义替换等方式扩充训练数据；(4)早停（EarlyStopping）：监控验证集指标，在验证误差开始上升前停止训练；(5)降低模型容量：减少网络层数、神经元数量或树的深度；(6)交叉验证：用多折验证评估模型，避免评估结果的偶然性。3.简述Transformer自注意力机制中Q、K、V的含义，并写出注意力权重的计算公式。答案：输入序列经三个可学习的线性变换分别得到查询向量Q（Query）、键向量K（Key）和值向量V（Value）。Q表示当前位置“想找什么”，K表示各位置“能提供什么”，V表示各位置“实际提供的内容”。注意力计算时，用Q与所有K做点积得到相似度分数，经缩放和Softmax归一化为权重，再对V加权求和，得到融合全局信息的输出。计算公式：A其中dk为K的向量维度，d五、案例分析题（每题15分，共2题，30分）1.某银行开发了一个信用卡欺诈检测模型，在包含50,000条交易的测试集上评估，得到如下混淆矩阵：||预测为欺诈|预测为正常||:---:|:---:|:---:||真实欺诈|900|100||真实正常|600|48,400|(1)计算该模型的准确率、精确率、召回率和F1值。（8分）(2)结合上述指标，评价该模型对欺诈交易的识别能力。（3分）(3)在欺诈检测场景中，通常更关注精确率还是召回率？若模型把大量正常交易误判为欺诈，会带来什么后果？（4分）答案：(1)由混淆矩阵可得：TP=900，FP=准确率（Accuracy），即所有交易中被正确分类的比例：A精确率（Precision），即预测为欺诈的交易中真正为欺诈的比例：P召回率（Recall），即真实欺诈交易中被正确识别的比例：RF1值，精确率与召回率的调和平均：F(2)模型准确率高达98.6%，但这是由正常交易占绝大多数（49,000/50,000）造成的“虚高”。模型能识别出90%的真实欺诈交易（召回率较高），但预测为欺诈的交易中只有60%真正是欺诈，误报率（FP(3)欺诈检测场景通常更关注召回率，因为漏掉一笔欺诈交易（假阴性）意味着直接的资金损失和风险敞口；而将正常交易误判为欺诈（假阳性）主要带来客户体验下降、客服人工复核成本增加，甚至造成客户流失。实际业务中需结合误报与漏报的代价做权衡，必要时引入代价敏感学习或调整判定阈值，也可用F1值辅助寻优。解析：第(1)问四个指标按公式分步给分，各2分；第(2)问需同时指出准确率虚高和误报偏高的原因；第(3)问回答“更关注召回率”得2分，说明原因与后果得2分，论述合理即可酌情给分。2.某电商平台计划构建智能客服系统：用户输入自然语言问题，系统需从平台知识库（含商品信息、售后政策、物流规则等）中查找依据并生成回答。(1)请给出该系统的整体模块架构，并说明各模块的功能。（6分）(2)若采用RAG（检索增强生成）方案，请分别阐述检索、增强、生成三个环节的具体工作。（5分）(3)上线后发现部分回答与官方政策不符（即“幻觉”），请给出三种改进方案。（4分）答案：(1)整体架构可划分为以下模块：-知识库模块：将商品信息、政策文档等清洗并切片，经Embedding模型向量化后存入向量数据库；-检索模块：将用户问题向量化，在向量库中召回Top-K最相关的知识片段；-生成模块：将检索结果与用户问题拼接为提示词，由大语言模型生成最终回答；-交互模块：负责多轮会话管理、用户意图理解与回答的格式化输出；-评测与日志模块：记录问答日志与用户反馈，用于离线评估和知识库持续更新。(2)RAG三个环节：-检索（Retrieval）：对用户输入进行向量编码，在向量数据库中计算相似度，召回与问题最相关的若干文档片段；-增强（Augmented）：将召回片段、用户问题与系统指令（如“仅依据给定资料回答”）拼接为结构化Prompt，为生成提供事实依据；-生成（Generation）：大语言模型基于增强后的Prompt生成通顺、有依据的回答，避免仅凭内部参数“编造”内容。(3)缓解幻觉的改进方案（答出任意三种即可）：-提升检索质量：优化文档切片策略（如重叠切片、按语义切分），更换更强的Embedding模型，调整Top-K数量；-强化指令约束：在Sy