2026年人工智能应用工程师认证考试题目含答案

2026年人工智能应用工程师认证考试题目含答案一、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，多选、错选、不选均不得分）1.检索增强生成（RAG）技术针对大模型的核心优化目标是？A.提升模型推理速度B.降低模型部署成本C.减少事实性幻觉与知识滞后问题D.提升模型多模态处理能力2.2026年主流消费级端侧AI芯片的单芯片INT8算力峰值通常处于以下哪个区间？A.10-50TOPSB.50-200TOPSC.200-500TOPSD.500TOPS以上3.计算机视觉多模态大模型的“视觉grounding（视觉定位）”任务的核心定义是？A.给定图像生成对应文本描述B.给定文本描述定位图像中的对应目标区域C.识别图像中所有目标的类别D.将图像转换为结构化表格数据4.机器学习二分类任务中，用于特征重要性筛选的IV值（信息价值）的核心作用是？A.评估特征与目标变量的相关性B.衡量特征的分布均匀程度C.计算特征的缺失率D.评估特征的共线性程度5.人工智能伦理领域中，“算法歧视”的核心成因通常是？A.模型参数量不足B.训练数据存在样本偏差或标注偏差C.推理速度过慢D.部署硬件性能不足6.大模型智能体（Agent）的核心组件不包括以下哪一项？A.规划模块B.记忆模块C.工具调用模块D.数据标注模块7.NVIDIATensorRT在AI模型部署中的核心作用是？A.提升GPU端的推理效率B.提升模型训练精度C.实现数据自动标注D.完成模型轻量化剪枝8.大模型指令微调（InstructionTuning）的主要目的是？A.提升模型的参数规模B.提升模型对自然语言指令的理解与遵循能力C.降低模型的推理延迟D.增加模型的多模态输入支持9.联邦学习的核心技术特征是？A.所有参与方数据集中存储，联合训练B.数据不出本地域，多方协同训练模型C.仅用少量标注样本完成模型训练D.实现不同模态数据的对齐训练10.RAG系统的向量检索环节，目前主流的高效近似最近邻检索算法是？A.K-MeansB.HNSW（层次化导航小世界）C.SVMD.BFS（广度优先搜索）11.深度学习训练中，针对梯度爆炸问题的常用解决方案是？A.DropoutB.梯度裁剪C.L2正则化D.早停（EarlyStopping）12.多模态大模型的“模态对齐”是指？A.将不同模态的特征映射到同一语义空间B.让不同模态的输入长度保持一致C.让不同模态的模型参数量保持一致D.将不同模态的存储格式统一13.以下哪种图像标注类型属于细粒度标注范畴？A.图像分类标注B.边界框（BoundingBox）标注C.关键点标注D.图像脱敏标注14.大模型推理的温度系数（Temperature）设置为0.1时，输出结果的典型特征是？A.创造性强，随机性高B.确定性高，重复输出概率高C.上下文长度大幅提升D.推理速度显著加快15.以下应用场景中，不属于生成式AI典型应用的是？A.文生图创作B.工业缺陷检测C.代码自动生成D.智能客服对话生成16.MLOps（机器学习运维）的核心目标是？A.实现AI模型全生命周期的自动化、标准化管理B.提升模型的参数量与训练精度C.降低数据标注的人力成本D.实现AI芯片的架构优化17.以下大模型部署方式中，端到端推理延迟最低的是？A.云侧集中部署B.边缘节点部署C.端侧本地部署D.云边协同部署18.依据我国《生成式人工智能服务管理暂行办法》，以下哪类AI应用必须满足可解释性的强制合规要求？A.娱乐内容推荐B.医疗诊断辅助C.视频自动剪辑D.文本润色纠错19.小样本学习（Few-shotLearning）的核心目标是？A.无需任何标注样本完成模型训练B.仅用少量标注样本训练具备良好泛化能力的模型C.提升模型在大样本下的训练精度D.降低模型的部署硬件要求20.AI项目的数据标注环节，标注一致性（Kappa系数）达到以下哪个标准时，标注质量可满足工业级落地要求？A.≥0.5B.≥0.7C.≥0.85D.≥0.99【单项选择题答案及解析】1.答案：C。解析：RAG通过检索外部知识库的事实信息注入大模型生成过程，核心解决大模型预训练知识滞后、事实性幻觉的问题；提升推理速度、降低部署成本是量化、剪枝等轻量化技术的目标，多模态处理能力是多模态预训练的目标。2.答案：B。解析：2026年主流消费级端侧AI芯片（如旗舰手机SoC的NPU、平板端AI加速单元）的INT8算力峰值普遍达到80-150TOPS，处于50-200TOPS区间；10-50TOPS是2023-2024年的主流水平，200TOPS以上为云端推理芯片的算力区间。3.答案：B。解析：视觉定位是连接文本与视觉的跨模态任务，核心是根据文本描述定位图像中的对应目标区域；A选项是图像描述任务，C选项是目标检测任务，D选项是结构化信息提取任务。4.答案：A。解析：IV值通过计算特征不同分箱下的正负样本分布差异，评估特征对二分类目标的预测能力，是二分类任务特征筛选的核心指标之一；分布均匀程度用基尼系数或熵衡量，缺失率是数据质量指标，共线性用VIF衡量。5.答案：B。解析：算法歧视的核心成因是训练数据中存在对特定群体的样本偏差（如少数群体样本占比过低）或标注偏差（如特定群体的标注标准不一致），与模型参数量、推理速度、硬件性能无直接关联。6.答案：D。解析：大模型Agent的核心组件包括感知、记忆、规划、工具调用、执行五大模块，数据标注是模型训练环节的工作，不属于Agent的运行时组件。7.答案：A。解析：TensorRT是NVIDIA推出的GPU推理优化引擎，通过算子融合、量化、内核优化等技术提升GPU端的推理速度与吞吐量，不涉及训练精度提升、数据标注、模型剪枝等功能。8.答案：B。解析：指令微调通过在多样化的指令-答案对上微调大模型，让模型学会理解并遵循人类的自然语言指令，提升零样本、小样本任务的表现；参数规模提升是预训练阶段的目标，降低推理延迟是部署优化的目标，多模态支持是多模态预训练的目标。9.答案：B。解析：联邦学习的核心是“数据不动模型动”，各参与方的数据不出本地域，仅通过交互模型参数或梯度完成协同训练，解决数据孤岛与隐私保护问题；A选项是集中式训练的特征，C选项是小样本学习的特征，D选项是多模态学习的特征。10.答案：B。解析：HNSW是目前向量数据库中应用最广泛的近似最近邻检索算法，兼顾检索精度与速度，支持亿级向量的高效检索；K-Means是聚类算法，SVM是分类算法，BFS是图搜索基础算法，均不是向量检索的主流算法。11.答案：B。解析：梯度裁剪通过设置梯度的最大阈值，将超过阈值的梯度强制裁剪到阈值范围内，是解决梯度爆炸的直接有效方案；Dropout、L2正则化、早停主要用于解决过拟合问题。12.答案：A。解析：模态对齐是多模态大模型的核心技术，通过将文本、图像、音频等不同模态的特征映射到同一语义空间，实现跨模态的语义理解与生成；与输入长度、参数量、存储格式无关。13.答案：C。解析：细粒度标注要求标注目标的细节信息，关键点标注（如人脸关键点、车辆关键点、缺陷轮廓关键点）属于细粒度标注；图像分类是粗粒度标注，边界框是中粒度标注，脱敏标注不属于标注粒度的范畴。14.答案：B。解析：温度系数控制大模型输出的随机性，数值越低，输出的确定性越高，重复输出的概率越高；数值越高，输出的随机性与创造性越强；温度系数不影响上下文长度与推理速度。15.答案：B。解析：工业缺陷检测本质是判别式任务，通过分类、检测模型判断样本是否存在缺陷，不属于生成式AI的范畴；文生图、代码生成、对话生成均是生成式AI的典型应用，核心是生成新的内容。16.答案：A。解析：MLOps是DevOps理念在AI领域的延伸，核心是覆盖数据管理、模型训练、测试、部署、监控、迭代的全生命周期自动化与标准化管理，提升AI项目的落地效率与稳定性；与模型参数量、数据标注成本、芯片架构无直接关联。17.答案：C。解析：端侧部署将模型部署在用户终端设备上，数据无需传输到云端或边缘节点，端到端延迟最低；云侧部署延迟受网络带宽与传输距离影响最大，边缘部署延迟介于云侧与端侧之间。18.答案：B。解析：医疗诊断辅助AI直接涉及人身健康与安全，依据相关法规必须满足可解释性要求，确保决策过程可追溯、可验证；娱乐推荐、视频剪辑、文本润色属于非高风险应用，无强制可解释性要求。19.答案：B。解析：小样本学习针对标注样本稀缺的场景，核心目标是仅用少量（通常个位数到几十位数）标注样本，训练得到具备良好泛化能力的模型；无需任何标注样本是零样本学习的目标，大样本下的精度提升是常规机器学习的目标。20.答案：C。解析：工业级AI项目的标注质量要求Kappa系数≥0.85，部分高风险场景（如医疗、自动驾驶）要求≥0.95；≥0.5仅为基本可用水平，≥0.7为一般研究场景的要求，≥0.99几乎无法实现且无必要。二、多项选择题（共10题，每题2分，总计20分。每题有2-4个正确答案，多选、少选、错选、不选均不得分）1.RAG系统的核心组成模块包括以下哪些？A.文档预处理模块B.向量检索模块C.Prompt构造模块D.大模型微调模块2.以下属于大模型Agent典型应用场景的有？A.自动办公助理（可调用邮件、文档、日历工具）B.智能运维机器人（可调用监控、日志、告警工具）C.实时3D渲染工具D.政务服务对话代理（可调用办事系统、知识库工具）3.AI模型部署中常用的轻量化技术包括？A.模型量化B.模型剪枝C.知识蒸馏D.特征工程4.计算机视觉AI落地应用中，属于合规风险的有？A.未经授权采集人脸信息B.过度追踪行人运动轨迹C.泄露医疗影像中的患者隐私D.生成式AI图像侵权5.联邦学习的主流分类包括以下哪些？A.横向联邦学习B.纵向联邦学习C.迁移联邦学习D.联邦迁移学习6.MLOps平台的核心功能模块包括？A.数据版本管理B.模型训练自动化C.模型效果监控D.业务需求调研7.2026年主流商用多模态大模型支持的输入输出模态包括？A.文本B.图像C.音频D.视频8.针对大模型的事实性幻觉问题，常用的工程化抑制方法有？A.RAG检索增强B.降低推理温度系数C.基于事实知识库的监督微调D.无限制提升模型参数量9.以下属于AI应用工程师核心工作内容的有？A.业务需求拆解与AI方案设计B.模型训练、调优与评估C.模型部署与落地运维D.AI芯片架构设计10.工业视觉缺陷检测项目中，影响模型检测精度的核心因素有？A.缺陷样本的数量与多样性B.图像采集的光照、角度与分辨率一致性C.模型推理的硬件平台D.标注的精度与一致性【多项选择题答案及解析】1.答案：ABC。解析：RAG系统的核心流程是“文档处理→向量化存储→检索→Prompt构造→生成”，对应文档预处理、向量检索、Prompt构造模块；大模型微调是独立的模型优化技术，不属于RAG系统的必需模块。2.答案：ABD。解析：大模型Agent的核心特征是具备自主规划、工具调用、环境交互能力，自动办公助理、智能运维机器人、政务服务代理均符合该特征；实时3D渲染工具是图形计算工具，不具备自主规划与工具调用能力，不属于Agent应用。3.答案：ABC。解析：模型量化（降低参数精度）、模型剪枝（移除冗余参数）、知识蒸馏（用大模型指导小模型训练）是三大主流模型轻量化技术；特征工程是训练阶段的特征处理工作，不属于模型轻量化技术范畴。4.答案：ABCD。解析：未经授权采集人脸信息违反《个人信息保护法》对敏感个人信息的规定；过度追踪行人轨迹侵犯个人隐私；医疗影像泄露违反医疗数据安全规定；生成式AI图像侵权违反著作权法相关规定，均属于合规风险。5.答案：ABD。解析：联邦学习的主流分类为三类：横向联邦学习（样本维度对齐，特征维度不同）、纵向联邦学习（特征维度对齐，样本维度不同）、联邦迁移学习（样本与特征维度均差异较大，结合迁移学习）；不存在“迁移联邦学习”的标准分类。6.答案：ABC。解析：MLOps平台覆盖AI模型全生命周期管理，核心功能包括数据版本管理、实验管理、训练自动化、模型仓库、部署管理、效果监控等；业务需求调研是产品经理的核心工作，不属于MLOps平台的功能范畴。7.答案：ABCD。解析：截至2026年，主流商用多模态大模型已实现文本、图像、音频、视频四类核心模态的输入输出支持，部分模型还支持结构化表格、点云等特殊模态。8.答案：ABC。解析：RAG通过注入外部事实信息减少幻觉，降低温度系数提升输出确定性，事实性微调修正模型的错误知识，三者均是常用的幻觉抑制方法；无限制提升参数量不仅成本极高，且无法从根本上解决幻觉问题，不属于工程化常用方案。9.答案：ABC。解析：AI应用工程师的核心工作是将AI技术落地到业务场景，覆盖需求拆解、方案设计、模型调优、部署运维全流程；AI芯片架构设计是芯片工程师的核心工作，不属于AI应用工程师的职责范畴。10.答案：ABD。解析：缺陷样本的数量与多样性决定模型的泛化能力，图像采集的一致性决定训练数据与实际数据的分布对齐程度，标注精度决定模型的学习基准，三者均为影响检测精度的核心因素；推理硬件平台影响的是推理速度与吞吐量，不直接影响模型精度（量化损失属于部署优化问题，不是硬件本身的核心影响）。三、判断题（共10题，每题1分，总计10分。正确选√，错误选×）1.大模型的参数量越大，推理效果一定越好。2.RAG系统的知识库更新不需要重新训练大模型，仅需更新向量数据库即可。3.端侧AI部署的核心优势之一是数据隐私安全性高，敏感数据无需上传云端。4.联邦学习训练得到的模型效果一定优于集中式训练的模型。5.多模态大模型的模态对齐仅需在预训练阶段完成，微调阶段无需调整。6.MLOps中的CI/CD指的是持续集成与持续部署，是DevOps理念在AI领域的延伸。7.AI伦理中的“算法公平”是指算法对所有群体的决策结果完全一致。8.小样本学习技术可以完全替代数据标注工作，实现零样本落地。9.模型量化技术仅会降低模型精度，不会带来推理速度的提升。10.生成式AI生成的内容全部属于公共领域，不存在知识产权风险。【判断题答案及解析】1.答案：×。解析：大模型的效果受参数量、训练数据质量、对齐效果、任务适配程度等多重因素影响，并非参数量越大效果越好；若训练数据不足、对齐不到位，大参数量模型反而可能出现更严重的幻觉或过拟合问题。2.答案：√。解析：RAG的核心是将外部知识库的检索结果作为上下文注入大模型，知识库的内容更新仅需对新内容做预处理、向量化并更新向量数据库，无需调整大模型的参数，更新成本极低。3.答案：√。解析：端侧部署将模型运行在用户本地终端，所有数据处理均在本地完成，敏感数据无需上传到云端，从技术层面避免了数据传输过程中的泄露风险，是端侧AI的核心优势之一。4.答案：×。解析：联邦学习受数据孤岛限制，各方数据分布存在差异，且梯度/参数交互过程中存在信息损失，其模型效果通常略低于同规模的集中式训练模型，核心优势是隐私保护而非效果提升。5.答案：×。解析：预训练阶段的模态对齐是通用层面的对齐，针对特定领域的多模态任务，微调阶段仍需通过领域数据优化模态对齐效果，提升跨模态任务的表现。6.答案：√。解析：MLOps继承了DevOps的CI/CD理念，针对AI场景扩展为持续集成（数据、代码、模型的集成验证）、持续部署（模型的自动化部署与灰度发布），核心是提升迭代效率与稳定性。7.答案：×。解析：算法公平是指算法不存在基于受保护属性（如性别、种族、年龄）的歧视，决策结果的差异需与业务目标相关，而非要求对所有群体的结果完全一致；完全一致的结果反而可能导致反向公平问题。8.答案：×。解析：小样本学习仅能降低对标注样本的需求，无法完全替代数据标注；零样本学习也依赖预训练阶段的大量标注数据，针对特定垂直场景仍需少量标注样本做适配才能达到落地要求。9.答案：×。解析：模型量化的核心目标是降低模型内存占用、提升推理速度，通过牺牲可控范围内的精度换取效率提升；目前成熟的量化技术（如GPTQ、AWQ）可将INT4量化的精度损失控制在3%以内，同时实现3-4倍的推理速度提升。10.答案：×。解析：生成式AI的内容知识产权需结合训练数据合规性、生成内容的独创性等因素判断，若训练数据未经授权、生成内容侵犯他人著作权，均存在知识产权风险，并非全部属于公共领域。四、简答题（共3题，每题10分，总计30分）1.请简述RAG技术与大模型微调在解决“知识时效性不足、事实性错误”问题上的核心差异，并分别说明两者的适用场景。2.请简述AI应用工程师落地工业视觉缺陷检测项目的核心工作流程，以及每个流程的关键质量控制点。3.请简述大模型Agent的核心组成模块及各模块的主要功能。【简答题答案及解析】1.参考答案：（1）核心差异（6分）：①技术原理不同：RAG属于检索增强技术，通过从外部知识库检索相关事实信息并注入Prompt，辅助大模型生成结果，不修改模型参数；微调属于模型参数调整技术，通过领域标注数据更新模型的部分或全部参数，将知识内化到模型中。（2分）②更新成本与效率不同：RAG的知识库更新仅需对新内容做预处理、向量化并写入向量库，更新周期可缩短至分钟级，成本极低；微调需要准备标注数据集、执行训练、评估验证，更新周期为小时到天级，算力与人力成本较高。（2分）③效果边界不同：RAG的知识准确率取决于知识库的准确性与检索精度，可实现结果溯源，适合对事实准确性要求高的场景；微调的知识内化程度更高，领域适配性更强，但无法实现结果溯源，仍可能存在幻觉。（2分）（2）适用场景（4分）：①RAG适用场景：知识更新频繁的场景（如新闻资讯、产品知识库）、需要结果可溯源的场景（如法律问答、政务咨询）、标注数据稀缺的场景（如长尾知识问答）。（2分）②微调适用场景：领域知识相对固定且需要深度适配的场景（如医疗诊断辅助、工业故障诊断）、对推理速度要求高且无法承担检索开销的场景（如端侧交互）、需要统一领域风格与输出规范的场景（如品牌客服、内容生成）。（2分）2.参考答案：工业视觉缺陷检测项目的核心流程与质量控制点如下：（1）需求调研与可行性评估阶段（2分）：明确缺陷类型、检测精度要求（查全率、查准率）、推理延迟要求、部署环境（产线光照、硬件条件）；质量控制点为完成可行性验证，通过小样本测试确认技术方案可达到业务最低要求，输出需求规格说明书。（2）数据采集与标注阶段（2分）：采集覆盖所有缺陷类型、不同产线、不同光照条件的图像样本，制定统一的标注规范，组织标注与质检；质量控制点为样本覆盖度≥95%的已知缺陷类型，标注一致性Kappa系数≥0.85，高风险缺陷的标注准确率≥99%。（3）模型选型与训练调优阶段（2分）：根据精度与速度要求选择合适的检测模型（如YOLO系列、MaskR-CNN），完成数据增强、训练、调优与评估；质量控制点为测试集查全率、查准率达到业务要求，交叉验证的性能波动≤5%，完成小样本泛化性测试。（4）模型部署与测试阶段（2分）：将模型部署到产线硬件（如工控机、边缘盒子），完成集成测试与产线试点测试；质量控制点为产线实际环境下的检测精度与测试集差异≤3%，推理延迟满足产线节拍要求，系统稳定性测试无异常。（5）上线运维与迭代阶段（2分）：上线模型监控系统，持续跟踪数据分布与模型效果，定期迭代模型；质量控制点为数据漂移告警响应时间≤24小时，新缺陷类型的模型迭代周期≤7天，年度系统可用率≥99.9%。3.参考答案：大模型Agent的核心组成模块及功能如下：（1）感知模块（2分）：负责接收用户的多模态输入（文本、语音、图像、视频等），完成输入解析与意图识别，将用户需求转换为模型可理解的结构化指令，是Agent与用户交互的入口。（2）记忆模块（2分）：分为短期记忆与长期记忆，短期记忆存储当前对话的上下文信息，支撑多轮交互；长期记忆存储用户历史交互数据、领域知识库、任务执行记录等，为任务规划提供历史信息支撑。（3）规划模块（2分）：负责将复杂的用户需求拆解为多个可执行的子任务，制定任务执行路径，动态调整执行计划，是Agent实现自主决策的核心模块，常用技术包括思维链（CoT）、思维树（ToT）等。（4）工具调用模块（2分）：负责根据任务规划结果，调用外部工具补强大模型的能力，常见工具包括搜索引擎、计算器、数据库API、业务系统API、代码执行环境等，实现与外部环境的交互。（5）执行与反馈模块（2分）：负责输出任务执行结果，收集工具调用的反馈信息与用户的评价，将执行效果反馈给规划模块与记忆模块，支撑任务的动态调整与持续优化。五、实操设计题（共2题，每题10分，总计20分）1.某连锁零售企业计划上线智能门店导购系统，基于大模型技术实现三大核心功能：①支持用户通过语音、文字、图片咨询商品信息；②可结合用户历史购买记录、当前所在门店位置推荐合适商品；③所有用户敏感数据需符合《个人信息保护法》要求，不得传出门店本地。请你作为AI应用工程师，设计该系统的技术架构，说明核心模块功能、部署方式及关键技术选型依据。2.某PCB制造企业的缺陷检测项目中，模型在实验室测试集上的查准率为98%、查全率为85%，但上线产线后实际漏检率高达18%，远高于测试水平。请分析导致该问题的可能原因，并给出对应的优化方案。【实操设计题答案及解析】1.参考答案：该系统采用“边缘端+云侧”的两层架构，既满足数据合规要求，又保障系统的可维护性与迭代效率，具体设计如下：（1）边缘端（门店本地部署）（6分）：①多模态交互模块：负责接收用户的语音、文字、图片输入，完成语音转写、图像预处理、意图识别，输出结构化用户需求；技术选型采用端侧语音识别模型+多模态大模型的输入层，选型依据是端侧处理无需上传原始音视频数据，保障用户隐私。②本地数据处理模块：负责存储与处理用户敏感数据（历史购买记录、会员信息、位置信息），完成用户画像的本地计算；技术选型采用本地关系型数据库+用户画像引擎，选型依据是敏感数据全部存储在门店本地，不出域符合《个人信息保护法》对敏感个人信息的处理要求。③边缘大模型模块：负责导购问答、商品推荐的推理执行；技术选型采用INT4量化的7B参数多模态大模型，部署在门店边缘AI盒子上，选型依据是7B参数量模型可满足导购场景的知识问答与推荐需求，INT4量化后单卡推理延迟≤500ms，适配门店的边缘硬件条件。④本地向量库模块：存储门店商品知识库、活动信息的向量数据，支撑RAG检索；技术选型采用本地部署的FAISS向量库，选型依据是轻量高效、无需云端传输，检索延迟≤10ms，满足实时交互要求。（2）云侧（总部统一部署）（4分）：①模型管理模块：负责大模型的迭代、量化与版本管理，定期向门店边缘节点推送更新后的模型包；选型依据是统一管理模型版本，降低门店运维成本。②全局知识库管理模块：负责商品信息、活动规则等非敏感知识库的统一维护，向各门店推送知识库更新包；选型依据是总部统一维