2026年高职AI综合实训(AI应用技能)试题及答案

2026年高职AI综合实训(AI应用技能)试题及答案一、单项选择题（共15题，每题2分，共30分。每小题给出的四个选项中，只有一项符合题目要求）1.在高职AI实训的目标检测数据标注环节，下列工具中最适合用于矩形框标注的是A.LabelMeB.LabelImgC.讯飞听见D.Pandas【答案】B【解析】LabelImg是专门用于目标检测任务的矩形框标注开源工具，支持VOC、YOLO等多种标注格式，是高职AI实训中目标检测数据标注的常用工具；LabelMe支持多边形、语义分割等更复杂的标注场景，不适用于常规矩形框标注；讯飞听见是语音转文字工具，与图像标注无关；Pandas是Python数据处理库，不具备标注功能。2.大模型轻量微调技术LoRA（低秩适配）中，秩r的常用取值范围是A.1~2B.4~64C.128~512D.1024以上【答案】B【解析】LoRA通过在预训练大模型的线性层注入低秩分解矩阵，仅训练新增的少量参数即可实现接近全参数微调的效果，秩r的大小直接决定了新增参数量与模型拟合能力。实训与工业应用中r的常用取值范围为4~64：r过小（如1~2）会导致模型拟合能力不足，无法适配下游任务；r过大（如128以上）则会大幅增加参数量，失去轻量微调的成本优势，高职实训中通常设置r=8或r=16平衡效果与训练效率。3.检索增强生成（RAG）是大模型应用的核心技术之一，下列不属于RAG系统核心环节的是A.知识切片B.向量检索C.大模型预训练D.Prompt组装【答案】C【解析】RAG的核心逻辑是外挂外部知识库，通过检索相关知识注入大模型的生成过程，无需修改大模型本身参数，更不需要对大模型进行预训练。其核心环节包括：文档加载与知识切片、文本向量化与存储、用户查询向量转化与相似度检索、检索结果与用户问题组装为Prompt输入大模型生成答案。4.下列YOLOv8模型变体中，参数量最小、推理速度最快，适合边缘端部署的是A.yolov8nB.yolov8sC.yolov8mD.yolov8x【答案】A【解析】YOLOv8按模型参数量从小到大分为n（nano，纳米级）、s（small，小型）、m（medium，中型）、l（large，大型）、x（extralarge，超大型）五个版本，参数量与推理精度递增、推理速度递减。其中yolov8n参数量仅约3.2M，推理速度最快，适合算力有限的边缘端设备部署，是高职边缘AI实训的常用模型。5.在AI数据预处理实训中，用于结构化数据清洗、转换的核心Python库是A.NumPyB.PandasC.MatplotlibD.Requests【答案】B【解析】Pandas是基于NumPy开发的结构化数据处理库，提供了DataFrame、Series等数据结构，支持缺失值处理、数据过滤、格式转换、分组统计等各类数据清洗操作，是数据预处理阶段的核心工具；NumPy主要用于数值计算与矩阵运算；Matplotlib用于数据可视化；Requests用于发送网络请求，均不是结构化数据清洗的核心工具。6.根据我国生成式人工智能管理相关规定，生成式AI服务提供者对其生成的内容应当采取的措施是A.无需任何标识，直接发布B.显著标识深度合成内容C.仅标注生成时间即可D.可根据用户需求选择性标识【答案】B【解析】根据《生成式人工智能服务管理暂行办法》要求，生成式人工智能服务提供者应当按照国家有关规定，对生成的内容进行标识，显著区分人工智能生成内容与真实内容，防范虚假信息传播，保护公众知情权。7.高职RAG实训项目中，适合本地部署、无需复杂配置的轻量级向量数据库是A.MilvusB.ChromaC.MySQLD.Redis【答案】B【解析】Chroma是专为RAG场景设计的轻量级开源向量数据库，支持本地部署，无需复杂的集群配置，Python接口简单易用，非常适合实训场景下的小规模向量存储与检索；Milvus是分布式向量数据库，适合大规模生产环境，部署配置复杂；MySQL是关系型数据库，不支持向量相似度检索；Redis是内存缓存数据库，虽然可通过插件支持向量存储，但不是RAG实训的首选轻量级工具。8.在分类模型评估中，“查全率”（Recall）的定义是A.预测为正的样本中实际为正的比例B.实际为正的样本中被正确预测的比例C.所有样本中被正确预测的比例D.查准率与准确率的调和平均值【答案】B【解析】查全率（Recall，又称召回率）用于衡量模型对正样本的覆盖能力，计算公式为：Recall=TP/(TP+FN)，即实际为正的样本中被模型正确识别为正的比例；选项A为查准率（Precision）的定义；选项C为准确率（Accuracy）的定义；选项D为F1值的定义。9.下列模型格式中，属于跨框架通用中间表示格式，常用于不同部署环境模型转换的是A..ptB..h5C..onnxD..ckpt【答案】C【解析】ONNX（开放神经网络交换格式）是由微软、Meta等公司联合推出的跨框架通用模型格式，支持PyTorch、TensorFlow、PaddlePaddle等主流深度学习框架的模型转换，是模型部署环节的核心中间格式；.pt、.ckpt是PyTorch框架的专属模型格式；.h5是TensorFlow/Keras的专属模型格式，均不具备跨框架通用性。10.Prompt工程中的“思维链（CoT）”技巧的核心作用是A.降低大模型的参数量B.提升大模型在复杂推理任务上的表现C.加快大模型的生成速度D.减少大模型生成的Token数量【答案】B【解析】思维链（ChainofThought）是指在Prompt中引导大模型按步骤输出推理过程，通过让模型“展示思考逻辑”提升复杂推理任务（如数学题、逻辑判断）的准确率；该技巧属于Prompt层面的优化，不会改变模型参数量，也不会加快生成速度，反而可能因为输出推理过程增加Token数量。11.高职语音识别实训中，常用于实现多语言语音转文字的开源模型是A.WhisperB.BERTC.GPT-4D.ResNet【答案】A【解析】Whisper是OpenAI开源的多语言语音识别模型，支持包括中文在内的90余种语言的语音转文字、语音翻译任务，准确率高，部署简单，是语音类实训的常用工具；BERT是自然语言理解预训练模型，不支持语音处理；GPT-4是大语言模型，且不开源；ResNet是计算机视觉分类模型，与语音识别无关。12.在文本分类任务的数据增强实训中，下列操作最可能引入标注噪声的是A.同义词替换B.回译（中译英再译中）C.随机插入无关词汇D.删除停用词【答案】C【解析】数据增强是在不改变文本语义与标注标签的前提下，扩充训练数据集的方法。同义词替换、回译、删除停用词均不会改变文本的核心语义与分类标签，属于合法的数据增强操作；随机插入无关词汇可能改变文本语义，甚至导致文本分类标签与实际内容不符，引入标注噪声，影响模型训练效果。13.智慧校园场景中的人脸考勤系统，主要应用的AI技术领域是A.自然语言处理B.计算机视觉C.语音识别D.强化学习【答案】B【解析】计算机视觉是让计算机通过摄像头等传感器感知与理解图像、视频内容的AI技术，人脸考勤系统需要通过摄像头采集人脸图像，进行人脸检测、特征提取、身份比对，属于计算机视觉的典型应用；自然语言处理处理文本、语言类内容；语音识别处理音频转文字；强化学习用于智能决策类任务，均与人脸考勤无关。14.边缘AI部署中，将FP32精度的模型量化为INT8精度的核心优势是A.完全消除推理误差B.提升推理速度，降低内存占用C.大幅提升模型精度D.增加模型的参数量【答案】B【解析】模型量化是将模型的权重与激活值从高精度浮点格式（如FP32，32位浮点数）转换为低精度整数格式（如INT8，8位整数）的技术，核心优势是大幅减少模型体积（约为原来的1/4）、降低内存占用、提升推理速度（通常可提升2~4倍），且精度损失通常在可接受范围内；量化不会消除误差，也不会提升精度，更不会增加参数量。15.在YOLOv8目标检测模型训练实训中，若训练集mAP（平均精度均值）持续上升，但验证集mAP始终低于0.2且无明显提升，不可能的原因是A.验证集标注质量极差B.训练集与验证集数据分布差异过大C.模型初始学习率设置过大D.训练数据类别分布均衡【答案】D【解析】训练集效果好但验证集效果差，通常与数据分布、标注质量、过拟合、超参数设置有关。验证集标注质量差会导致模型评估结果失真；训练集与验证集分布差异过大会导致模型泛化能力差；学习率过大会导致模型在训练集上过拟合，均可能导致题干中的现象。训练数据类别分布均衡有助于模型学习各类别的特征，不会导致验证集效果极差，因此是不可能的原因。二、多项选择题（共10题，每题3分，共30分。每小题给出的四个选项中，有两项或两项以上符合题目要求，多选、少选、错选均不得分）1.下列属于大模型应用层开发常用工具或框架的有A.LangChainB.LlamaIndexC.PromptFlowD.PyTorch【答案】ABC【解析】LangChain、LlamaIndex、PromptFlow均为大模型应用层开发工具：LangChain提供了大模型调用、链组装、工具调用、RAG等全流程组件；LlamaIndex专注于RAG场景的知识库管理与检索优化；PromptFlow用于Prompt工程的批量测试、评估与流水线管理，均属于应用层工具。PyTorch是深度学习底层框架，用于模型训练与底层开发，不属于大模型应用层工具。2.高职AI实训中，常用的开源大语言模型有A.Llama3B.Qwen2（通义千问开源版）C.ChatGLM3D.GPT-4【答案】ABC【解析】Llama3是Meta开源的大语言模型，支持商用授权申请；Qwen2是阿里云开源的通义千问系列模型，支持多语言、多任务；ChatGLM3是智谱AI开源的中英双语大模型，轻量版本可在普通GPU甚至CPU上运行，三者均为高职大模型实训的常用开源模型。GPT-4是OpenAI的闭源模型，仅支持API调用，无法开源部署，不适合实训场景下的本地调试与微调。3.RAG系统中，知识切片的常用策略有A.固定长度切片B.语义切片C.按文档结构切片D.随机切片【答案】ABC【解析】知识切片是将长文档拆分为适合向量化与检索的短文本块的过程，切片质量直接影响检索准确率。常用策略包括：固定长度切片（按字符数或Token数拆分，实现简单）、语义切片（按语义相似度拆分，避免语义断裂）、按文档结构切片（按标题、章节、段落拆分，符合文档逻辑）。随机切片会破坏文本语义连续性，严重影响检索效果，不属于常用策略。4.高职计算机视觉实训的常见任务类型有A.图像分类B.目标检测C.语义分割D.文本摘要【答案】ABC【解析】计算机视觉的核心任务是让计算机理解图像与视频内容，常见实训任务包括：图像分类（判断图像所属类别，如猫狗分类）、目标检测（定位并识别图像中的目标，如人脸检测）、语义分割（对图像中每个像素进行分类，如医学影像分割）。文本摘要属于自然语言处理任务，与计算机视觉无关。5.根据我国生成式人工智能管理要求，生成式AI服务提供者应当履行的义务有A.对生成内容进行合规审核B.保护用户个人信息与隐私C.显著标识人工智能生成内容D.随意使用用户数据训练模型【答案】ABC【解析】根据《生成式人工智能服务管理暂行办法》，生成式AI服务提供者应当履行的义务包括：落实算法安全主体责任，对生成内容进行合规审核；保护用户个人信息，不得非法收集、使用、泄露用户个人信息；按照规定对生成的人工智能内容进行显著标识；不得未经用户同意使用用户数据训练模型。选项D违反了用户隐私保护要求，不属于法定义务。6.AI模型部署的常见应用场景有A.云端API部署B.边缘设备部署C.移动端部署D.原始数据集存储【答案】ABC【解析】模型部署是将训练好的模型部署到运行环境中提供推理服务的过程，常见场景包括：云端API部署（将模型部署在云服务器上，通过API接口对外提供服务）、边缘设备部署（将模型部署在边缘计算盒子、工控机等设备上，本地推理）、移动端部署（将模型部署在手机、平板等移动设备上）。原始数据集存储属于数据管理环节，与模型部署无关。7.结构化数据预处理阶段，处理缺失值的常用方法有A.删除包含缺失值的样本B.数值型数据用均值/中位数填充C.类别型数据用众数填充D.所有缺失值统一填充为0【答案】ABC【解析】缺失值处理是数据预处理的核心环节，常用方法包括：删除法（缺失值比例较高时删除对应样本或特征）、填充法（数值型数据用均值、中位数填充，类别型数据用众数填充，避免数据分布大幅偏移）、插值法（通过拟合模型预测缺失值）。所有缺失值统一填充为0会破坏数据分布，导致模型效果下降，不属于通用处理方法。8.下列属于Prompt工程常用技巧的有A.少样本提示（Few-shot）B.思维链提示（CoT）C.角色设定D.大模型预训练【答案】ABC【解析】Prompt工程是通过优化输入提示词提升大模型输出效果的技术，常用技巧包括：少样本提示（给大模型提供少量示例，让模型学习任务模式）、思维链提示（引导大模型输出推理过程，提升复杂任务准确率）、角色设定（给大模型设定特定身份与行为准则，提升输出专业性）。大模型预训练属于底层模型训练环节，不属于Prompt工程技巧。9.高职AI综合实训的常见项目选题方向有A.智慧社区人脸识别门禁系统B.电商智能客服聊天机器人C.工业产品表面缺陷检测系统D.通用大模型预训练【答案】ABC【解析】高职AI应用技能实训以培养应用型技能人才为目标，选题通常贴合产业实际、技术难度适中：智慧社区人脸识别门禁属于计算机视觉落地项目，电商智能客服属于大语言模型应用项目，工业缺陷检测属于计算机视觉工业落地项目，三者均适合作为高职实训选题。通用大模型预训练需要海量数据与算力支持，技术难度极高，不符合高职实训的定位。10.图像分类模型训练中，导致过拟合的常见原因有A.训练数据集规模过小B.模型参数量过大C.训练迭代次数过多D.初始学习率过小【答案】ABC【解析】过拟合是指模型在训练集上表现很好，但在验证集、测试集上表现差的现象，本质是模型过度学习了训练集的噪声与细节，泛化能力不足。常见原因包括：训练数据集太小，模型无法学习到通用规律；模型参数量过大，拟合能力远超任务需求；训练迭代次数过多，模型学习到训练集的噪声。初始学习率过小会导致模型收敛速度慢，容易出现欠拟合，而非过拟合。三、判断题（共10题，每题1分，共10分。正确的打“√”，错误的打“×”）1.使用LoRA技术微调大模型时，需要更新大模型的全部参数。【答案】×【解析】LoRA（低秩适配）的核心优势是轻量微调，仅训练注入预训练模型线性层的低秩矩阵参数，冻结原模型的全部参数，训练参数量仅为全参数微调的千分之一甚至万分之一，大幅降低了训练成本。2.RAG技术可以有效解决大模型知识时效性不足、容易产生幻觉的问题。【答案】√【解析】大模型的知识来自预训练数据，存在知识截止日期，且容易生成不存在的虚假信息（幻觉）。RAG通过外挂可实时更新的知识库，将检索到的真实知识注入生成过程，既可以更新最新知识，也可以通过引用真实内容减少幻觉。3.YOLOv8模型仅支持目标检测任务，无法用于图像分类与语义分割。【答案】×【解析】YOLOv8是Ultralytics推出的多任务计算机视觉模型系列，除了目标检测版本外，还提供图像分类（yolov8n-cls等）、语义分割（yolov8n-seg等）、姿态估计等多个任务的预训练模型，支持多场景应用。4.向量数据库的核心作用是存储结构化表格数据，支持SQL查询。【答案】×【解析】向量数据库是专门用于存储高维向量嵌入的数据库，核心功能是基于向量相似度进行检索，用于RAG、图像检索、推荐系统等场景。结构化表格数据与SQL查询是关系型数据库（如MySQL）的核心功能。5.生成式人工智能服务提供者可以不经审核直接对外发布生成的内容。【答案】×【解析】根据《生成式人工智能服务管理暂行办法》要求，生成式AI服务提供者应当落实内容审核责任，对生成的内容进行合规审核，不得生成违法违规、虚假有害的内容。6.INT8精度的模型量化一定会导致模型精度大幅下降。【答案】×【解析】INT8量化是将32位浮点数转换为8位整数的过程，通过合理的量化策略（如对称量化、非对称量化、校准），精度损失通常控制在1%以内，不会出现大幅下降，是边缘部署的常用优化技术。7.数据标注的质量不会影响最终AI模型的性能上限。【答案】×【解析】数据是AI模型的基础，标注质量直接决定了模型的性能上限。如果标注数据存在大量错误、漏标、错标，即使模型结构再优秀，也无法学习到正确的规律，最终效果会大幅下降。8.Whisper语音识别模型仅支持英语识别，不支持中文语音转文字。【答案】×【解析】Whisper是多语言语音识别模型，训练数据涵盖90余种语言，包括中文、英语、日语、韩语等，支持多语言的语音转文字与语音翻译任务，中文识别准确率可满足大多数实训场景需求。9.边缘AI部署的优势之一是可以在无网络环境下本地运行，避免数据上传云端，保护用户隐私。【答案】√【解析】边缘AI部署是将模型部署在靠近数据源的边缘设备上，推理过程在本地完成，无需将数据上传到云端，既可以在无网络环境下运行，也可以减少数据泄露风险，保护用户隐私与数据安全。10.少样本提示是指在Prompt中给大模型提供少量任务示例，让模型学习任务的输入输出格式与逻辑。【答案】√【解析】少样本提示（Few-shotPrompting）是Prompt工程的基础技巧，通过在提示词中加入2~5个任务示例，让大模型快速理解任务要求，无需微调即可完成特定任务，尤其适合小样本场景下的应用开发。四、实操综合题（共3题，每题10分，共30分）1.数据预处理与向量库构建实操（10分）背景：某高职院校图书馆要构建校史知识智能问答系统，基于RAG技术实现，现有12篇docx格式的校史官方文档，总字数约8万字。请结合实训内容完成下列问题：（1）请列出完成该项目从文档加载到向量库构建环节需要用到的3个核心Python库，并分别说明其作用。（3分）（2）请写出将校史文档处理为可检索向量库的完整流程。（4分）（3）若测试中发现检索结果与用户问题匹配度较低，请给出3种可提升检索准确率的优化措施。（3分）【参考答案及评分标准】（1）核心库及作用（每个库1分，共3分）①python-docx：用于读取docx格式的校史文档，提取文档中的文本内容，排除格式、图片等无关信息。②LangChain：提供文档切片、文本嵌入模型对接、向量库操作等封装组件，简化RAG流程开发。③ChromaDB：轻量级本地向量数据库，用于存储校史文本块的向量嵌入，支持相似度检索，无需复杂部署，适合小规模实训项目。（2）完整流程（4分，每步1分）①文档加载：使用python-docx读取12篇校史docx文档，提取纯文本内容，按文档来源添加元数据（如文档名称、发布年份）。②知识切片：采用“固定长度+重叠”的切片策略，将长文本拆分为长度约500Token、重叠50Token的文本块，避免语义断裂。③文本向量化：调用开源嵌入模型（如bge-small-zh），将所有文本块转换为固定维度的高维向量。④向量入库：将文本块的向量、原始文本内容、元数据一并存入ChromaDB向量库，完成向量库构建。（3）优化措施（每个措施1分，共3分）①优化切片策略：将固定长度切片改为语义切片，按语义相似度拆分文本块，避免单个文本块包含多个不相关主题。②优化嵌入模型：换用中文语义理解能力更强的嵌入模型（如bge-base-zh），提升向量表征的准确性。③引入重排序（Rerank）：在向量检索后增加重排序环节，用交叉编码器对检索结果进行二次排序，筛选最相关的文本块。2.YOLOv8工业缺陷检测实训实操（10分）背景：某电子制造企业要开发PCB板表面缺陷检测系统，现有600张标注好的PCB图像数据集，包含划痕、虚焊、孔洞3类缺陷，标注格式为YOLO格式，拟采用YOLOv8n模型训练并部署到工厂边缘计算盒子。请结合实训内容完成下列问题：（1）请写出符合YOLOv8官方要求的数据集目录结构，以及对应data.yaml配置文件的核心内容。（3分）（2）若训练过程中出现训练集损失持续下降，但验证集损失持续上升的现象，请分析原因并给出2种具体解决方法。（4分）（3）若要将训练好的YOLOv8n模型部署到算力有限的边缘计算盒子上，请列出3种模型优化措施。（3分）【参考答案及评分标准】（1）数据集目录结构与配置文件（3分）目录结构（1.5分）：pcb_defect/├──images/│├──train/#存放训练集图像（约480张）│├──val/#存放验证集图像（约120张）├──labels/│├──train/#存放训练集对应txt格式标注文件│├──val/#存放验证集对应txt格式标注文件data.yaml核心内容（1.5分）：path:./pcb_defect#数据集根目录train:images/train#训练集图像路径val:images/val#验证集图像路径nc:3#类别数量names:['scratch','solder_ball','hole']#类别名称（按顺序对应）（2）原因与解决方法（4分）原因分析（1分）：该现象为模型过拟合，即模型过度学习了训练集的细节与噪声，泛化能力下降，导致验证集效果变差。解决方法（每种方法1.5分，共3分，答出2种即可）：①数据增强：增加训练数据的多样性，如使用随机翻转、随机裁剪、亮度调整、马赛克增强等方式，减少模型对训练集细节的依赖。②正则化：在训练配置中加入权重衰减（weight_decay）、Dropout，或使用早停（EarlyStopping）策略，当验证集损失连续10轮不下降时提前终止训练。③简化模型：若数据量较小，可换用更轻量的模型，或冻结部分backbone层，减少可训练参数量。（3）模型优化措施（每个措施1分，共3分）①模型量化：将FP32精度的模型量化为INT8精度