2026年人工智能训练师三级认证考试真题(附答案)

2026年人工智能训练师三级认证考试真题(附答案)第一部分单项选择题（共20题，每题1分，共20分。每道题只有一个正确答案，请将正确答案的字母填在括号内）1.在大语言模型有监督微调（SFT）的数据标注体系中，以下哪类样本属于“负向偏好样本”？（）A.符合人类价值观与事实逻辑的优质回答样本B.存在事实错误、逻辑混乱的低质回答样本C.标注员未完成标注的草稿样本D.内容完全重复的冗余训练样本【答案】B【解析】负向偏好样本是奖励模型训练中用于标记人类不偏好输出的核心样本类型，核心特征为不符合用户需求的低质内容，事实错误、逻辑混乱的回答属于典型的负向偏好样本；A选项为正向偏好样本，C、D选项属于需在数据清洗阶段过滤的无效样本，不属于偏好样本范畴。2.根据2025年修订的《生成式人工智能服务管理规定》，用于生成式AI模型预训练与微调的个人信息数据，应当采取以下哪种不可复原的处理方式？（）A.匿名化处理B.去标识化处理C.加密存储处理D.授权后无需处理【答案】A【解析】2025年修订的《生成式人工智能服务管理规定》明确要求，用于训练的个人信息数据需经过不可复原的匿名化处理，确保无法通过数据反向识别到特定自然人；去标识化处理可通过辅助信息复原身份，不符合训练数据的合规要求；加密存储仅为存储安全措施，不属于训练前数据处理的合规要求。3.以下哪种开源数据标注工具支持文本、图像、音频、视频等多模态数据的统一标注，且支持自定义标注模板？（）A.LabelStudioB.百度智能云数据标注平台C.阿里云智能标注服务D.Prodigy【答案】A【解析】LabelStudio是目前主流的开源多模态标注工具，支持全类型数据标注与自定义模板配置，可适配绝大多数标注场景；B、C选项为商业闭源平台，不属于开源工具范畴；D选项Prodigy为专注于文本与图像的半自动化标注工具，开源版本功能受限且不支持全模态标注。4.在图像分类模型训练中，以下哪种情况是导致模型出现过拟合的核心原因之一？（）A.训练样本类别均衡且样本量充足B.训练迭代次数远低于最优值C.模型参数量远高于训练样本的复杂度D.训练过程中采用了数据增强策略【答案】C【解析】过拟合的本质是模型过度学习训练集的细节特征（如噪声、冗余信息），导致泛化能力下降，模型参数量过高、训练样本不足、迭代次数过多均会引发过拟合；A、D选项为缓解过拟合的常用手段，B选项会导致模型欠拟合。5.LoRA（低秩适配）是当前大语言模型参数高效微调的主流技术，其核心实现思路是？（）A.冻结全部预训练参数，仅在Transformer注意力层旁新增可训练的低秩矩阵B.解冻预训练模型的全部参数进行全量微调C.仅微调模型最后一层的输出头参数D.裁剪模型冗余参数后对剩余参数进行微调【答案】A【解析】LoRA的核心是通过冻结预训练模型的全部参数，在注意力模块的权重矩阵旁新增两个低秩分解矩阵，训练时仅更新这两个矩阵的参数，大幅降低微调的算力需求与存储成本；B选项为全参数微调，C选项为线性探测微调，D选项为模型剪枝后微调，均不属于LoRA的技术范畴。6.以下哪项不属于三级人工智能训练师的核心岗位职责？（）A.训练数据的采集、标注与质量校验B.中小型大模型的参数高效微调执行C.人工智能芯片的架构设计与流片D.模型效果的基础评估与迭代建议提出【答案】C【解析】三级人工智能训练师为中级技能等级，核心职责围绕数据处理、模型微调、效果评估展开，芯片架构设计与流片属于芯片工程师的岗位职责，超出三级训练师的技能范畴。7.在命名实体识别（NER）数据标注的BIO标注体系中，标识“I-LOC”代表的含义是？（）A.地点实体的开始位置B.地点实体的中间或结束位置C.非地点实体内容D.地点实体的结束位置【答案】B【解析】BIO标注体系中，B代表实体的起始位置，I代表实体的中间或结束位置，O代表非实体内容，后缀“-LOC”代表实体类型为地点，因此“I-LOC”代表地点实体的中间或结束位置。8.根据三级人工智能训练师的技能要求，以下哪种大模型微调场景属于其应独立掌握的范畴？（）A.千亿参数大模型的全参数微调B.7B-13B参数大模型的LoRA微调C.大模型预训练阶段的语料清洗架构设计D.多模态大模型的核心网络架构研发【答案】B【解析】三级训练师需掌握中小型大模型的参数高效微调方法，7B-13B参数模型的LoRA微调属于标准中级技能要求；A、C、D选项均为高级训练师或算法工程师的职责范畴，超出三级技能要求。9.在语音识别模型的训练数据标注中，以下哪种标注属于“韵律标注”范畴？（）A.标注语音对应的文本内容B.标注语音中的停顿位置、重音等级、语调变化C.标注说话人的性别、年龄、口音类型D.标注语音的背景噪音类型与强度【答案】B【解析】韵律标注是语音标注的细分类型，核心是标记语音的韵律特征，包括停顿、重音、语调、语速等；A选项为文本转写标注，C选项为说话人属性标注，D选项为噪音标注，均不属于韵律标注范畴。10.以下哪个公式是分类模型精确率（查准率）的正确计算公式？（）A.TP/(TP+FN)B.TP/(TP+FP)C.TN/(TN+FP)D.(TP+TN)/(TP+TN+FP+FN)【答案】B【解析】精确率（查准率）是指模型预测为正例的样本中，真实为正例的比例，计算公式为TP/(TP+FP)；A选项为召回率（查全率）的计算公式，C选项为真负率的计算公式，D选项为准确率的计算公式。11.在数据标注质量控制体系中，“交叉标注”的核心目的是？（）A.提高标注效率B.降低标注成本C.检验标注结果的一致性D.扩充标注数据的总量【答案】C【解析】交叉标注是指由多名标注员对同一批样本进行独立标注，通过对比标注结果计算一致性系数，核心目的是检验标注质量、识别歧义样本；交叉标注会增加人力成本、降低标注效率，与扩充数据量无关。12.2026年主流的参数高效微调框架PEFT中，不包含以下哪种微调方法？（）A.LoRAB.PrefixTuningC.FullFine-tuningD.PromptTuning【答案】C【解析】PEFT（Parameter-EfficientFine-Tuning）即参数高效微调框架，核心是仅训练少量参数实现模型适配，包含LoRA、PrefixTuning、PromptTuning、AdapterTuning等方法；FullFine-tuning为全参数微调，不属于参数高效微调范畴。13.以下哪类数据属于多模态训练数据中的“强配对数据”？（）A.无标签的通用文本语料库B.单独的开源图像数据集C.图像与对应精准描述文本的图文对数据集D.无对应文本的音频数据集【答案】C【解析】强配对多模态数据指不同模态的数据存在严格的一一对应关系，图像与对应精准描述文本的图文对是典型的强配对数据；A、B、D选项均为单模态数据，不属于多模态配对数据范畴。14.在生成式AI的RLHF（人类反馈强化学习）流程中，第二个核心阶段是？（）A.监督微调（SFT）阶段B.奖励模型（RM）训练阶段C.近端策略优化（PPO）阶段D.预训练语料清洗阶段【答案】B【解析】RLHF的标准流程分为三个阶段：第一阶段为监督微调（SFT），训练基础对话模型；第二阶段为奖励模型（RM）训练，基于人类偏好数据学习人类价值判断标准；第三阶段为强化学习优化（PPO），用奖励模型引导大模型生成符合人类偏好的内容。15.以下哪种情况属于数据标注中的“标注歧义”？（）A.一张猫的图片被错误标注为狗B.同一段文本中的实体，不同标注员标注为不同的实体类型C.标注数据集存在大量重复样本D.部分标注数据缺少对应标签【答案】B【解析】标注歧义是指由于标注规则模糊、样本边界不清等原因，导致不同标注员对同一样本的标注结果存在合理差异，属于系统性质量问题；A选项为标注错误，C选项为数据冗余，D选项为数据不完整，均不属于歧义范畴。16.根据人工智能训练师职业伦理规范，在处理涉及种族、宗教、性别等敏感领域的训练数据时，应当遵循的核心原则是？（）A.保留所有原始数据不加修改B.对数据进行去偏见化处理，避免模型产生歧视性输出C.仅删除明确违反法律法规的内容D.大幅减少此类数据的标注比例即可【答案】B【解析】职业伦理规范要求训练师主动规避AI偏见风险，对敏感领域数据需进行去偏见化处理，确保模型输出公平公正；A选项会导致模型习得偏见，C选项无法规避伦理风险，D选项不能从根本上解决偏见问题。17.在目标检测模型的训练数据标注中，边界框（BoundingBox）标注的核心要求是？（）A.框的面积尽可能大，覆盖全部背景B.框的边缘与目标物体边缘紧密贴合，无多余背景或遗漏目标C.框的形状必须为标准正方形D.一个框可以包含多个不同类别的目标【答案】B【解析】边界框标注的核心是精准定位目标物体，要求框的边缘与目标边缘紧密贴合，既不能遗漏目标特征，也不能包含过多无关背景；A选项会引入大量噪声，C选项错误，边界框可为矩形，D选项错误，目标检测标注要求一个框对应一个目标。18.以下哪种工具常用于大语言模型微调后的批量效果评估？（）A.LabelStudioB.LM-Eval-HarnessC.OpenCVD.FFmpeg【答案】B【解析】LM-Eval-Harness是当前主流的大语言模型开源评估工具，支持上百种评估任务与多维度指标计算，可实现模型效果的批量自动化评估；A选项为数据标注工具，C选项为计算机视觉处理库，D选项为音视频处理工具，均不用于大模型效果评估。19.在模型训练的数据划分中，验证集的核心作用是？（）A.更新模型的可训练参数B.调整超参数并选择最优训练checkpointC.最终评估模型的泛化能力D.扩充训练数据的样本量【答案】B【解析】标准数据划分为训练集、验证集、测试集，训练集用于更新模型参数，验证集用于训练过程中调整超参数、筛选最优模型，测试集用于训练完成后最终评估泛化能力；验证集不参与参数更新，也不能用于扩充训练数据。20.以下哪项不属于数据标注项目的法定验收标准？（）A.标注准确率达到合同约定的阈值B.数据交付格式符合规范要求C.数据存储的硬件介质类型D.标注数据量与标签类别满足合同约定【答案】C【解析】数据标注项目的验收标准围绕数据质量、数据量、格式合规性展开，存储介质属于交付形式范畴，不属于法定验收的核心标准，除非合同有特殊约定。第二部分多项选择题（共10题，每题2分，共20分。每道题有两个或两个以上正确答案，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.以下属于三级人工智能训练师需掌握的常见数据标注类型的有（）A.文本分类与实体识别标注B.图像目标检测与分割标注C.语音转写与韵律标注D.集成电路版图设计标注【答案】ABC【解析】三级训练师需覆盖文本、图像、语音三类主流AI数据的标注技能，集成电路版图标注属于芯片设计领域的专业标注，超出通用AI训练师的技能范畴。2.在大语言模型SFT数据构建中，以下属于应当过滤的低质量样本的有（）A.存在事实性错误、逻辑矛盾的问答对B.回答过于简略、无实质信息的样本C.结构清晰、论证完整的专业类长文本回答D.包含暴力、色情、诈骗等违规内容的样本【答案】ABD【解析】SFT数据需保证内容的正确性、有用性与合规性，事实错误、内容空洞、违规的样本均需过滤；C选项为优质训练样本，应当保留。3.以下属于参数高效微调（PEFT）范畴的方法有（）A.LoRAB.QLoRAC.FullFine-tuningD.AdapterTuning【答案】ABD【解析】参数高效微调的核心是仅训练少量参数实现模型适配，LoRA、QLoRA（量化LoRA）、AdapterTuning（适配器微调）均属于此类；FullFine-tuning为全参数微调，训练全部模型参数，不属于参数高效微调范畴。4.根据《生成式人工智能服务管理规定（2025修订）》，生成式AI训练数据不得包含以下哪些内容？（）A.危害国家安全、荣誉和利益的内容B.煽动民族仇恨、民族歧视的内容C.公开的可自由传播的科普知识内容D.侵害他人知识产权或隐私权的内容【答案】ABD【解析】规定明确禁止训练数据包含违法违规、侵害他人合法权益的内容，科普知识属于合规公开内容，可用于训练。5.以下属于多模态人工智能训练涉及的常见数据类型的有（）A.文本数据B.图像数据C.音频数据D.视频数据【答案】ABCD【解析】多模态AI是指融合多种感知模态的人工智能系统，文本、图像、音频、视频均为常见的训练数据类型。6.数据标注质量控制的常用方法有（）A.交叉标注一致性校验B.分层抽检复核C.标注员岗前培训与考核D.自动化规则初筛【答案】ABCD【解析】标注质量控制需覆盖事前、事中、事后全流程，岗前培训为事前控制，交叉标注、自动化初筛为事中控制，抽检复核为事后控制，均为常用质控方法。7.以下关于过拟合与欠拟合的说法，正确的有（）A.过拟合表现为模型在训练集上效果好，测试集上效果差B.欠拟合表现为模型在训练集和测试集上效果都差C.增加训练数据量、采用数据增强可以缓解过拟合D.增加模型复杂度、减少正则化强度可以缓解欠拟合【答案】ABCD【解析】过拟合的核心是泛化能力差，训练集表现远优于测试集，可通过增加数据、降低模型复杂度、添加正则化等方式缓解；欠拟合的核心是模型学习能力不足，训练集和测试集表现都差，可通过增加模型复杂度、减少正则化、增加训练轮次等方式缓解。8.在RLHF（人类反馈强化学习）的标准流程中，涉及的核心训练阶段有（）A.监督微调（SFT）阶段B.奖励模型（RM）训练阶段C.近端策略优化（PPO）阶段D.预训练语料清洗阶段【答案】ABC【解析】RLHF是在预训练模型基础上的对齐流程，核心分为SFT、RM训练、PPO优化三个阶段；预训练语料清洗属于大模型预训练阶段的工作，不属于RLHF流程。9.以下属于三级人工智能训练师应独立完成的操作技能的有（）A.文本、图像类标注项目的全流程质量管控B.基于LoRA的7B参数大语言模型微调实操C.千亿参数大模型的预训练架构设计D.模型效果的多维度评估与迭代建议输出【答案】ABD【解析】三级训练师为中级技能等级，可承担中小型项目的标注管理、参数高效微调、基础评估等工作；千亿参数大模型预训练架构设计属于高级算法工程师或高级训练师的职责范畴。10.以下属于标注数据常见质量问题的有（）A.标注错误（标签与实际内容不符）B.标注歧义（同一样本存在多种合理标注结果）C.数据重复（同一样本多次出现）D.标签缺失（样本未标注对应标签）【答案】ABCD【解析】标注数据质量问题可分为准确性、一致性、唯一性、完整性四类，标注错误属于准确性问题，标注歧义属于一致性问题，数据重复属于唯一性问题，标签缺失属于完整性问题。第三部分判断题（共10题，每题1分，共10分。请在括号内打“√”或“×”）1.人工智能训练师的工作仅包含数据标注，不需要参与模型效果评估与迭代工作。（）【答案】×【解析】人工智能训练师的核心职责包括数据处理、模型训练辅助、效果评估、迭代优化等多个环节，仅从事数据标注属于初级训练师的技能要求，三级训练师需参与全流程工作。2.LoRA微调技术可以在不修改预训练模型原始参数的前提下，实现模型的定制化适配。（）【答案】√【解析】LoRA的核心设计是冻结预训练模型全部参数，仅训练新增的低秩矩阵，推理时可将低秩矩阵合并到原模型权重中，不改变原始模型的结构与参数。3.数据标注准确率的标准计算公式为：正确标注的样本数/总标注样本数×100%。（）【答案】√【解析】标注准确率是衡量标注质量的核心指标，计算方式为正确样本数占总标注样本数的比例。4.生成式AI模型的训练数据可以随意使用互联网上的所有公开内容，无需考虑知识产权与授权问题。（）【答案】×【解析】《生成式人工智能服务管理规定》明确要求，训练数据需具备合法来源，使用他人享有知识产权的内容需获得授权，不得随意使用互联网公开内容。5.多模态训练数据必须全部为严格的一一配对数据才能进行训练。（）【答案】×【解析】多模态训练包含监督训练、弱监督训练、无监督训练等多种方式，弱监督与无监督场景下可使用弱配对或非配对数据，并非必须全部为强配对数据。6.三级人工智能训练师可以独立承担中小型生成式AI模型的LoRA微调项目执行工作。（）【答案】√【解析】三级训练师的技能要求明确包含中小型大模型的参数高效微调实操，可独立承担7B-13B参数模型的LoRA微调项目。7.在单标签图像分类数据标注中，同一张图像可以被标注为多个不同的类别。（）【答案】×【解析】单标签分类要求每个样本仅对应一个类别，多标签分类场景下才允许同一样本标注多个类别。8.RLHF中的奖励模型是基于人类标注的偏好对比数据训练得到的。（）【答案】√【解析】奖励模型的训练数据为人类标注的“同一问题的不同回答的偏好排序”，模型通过学习人类的偏好判断标准，为大模型生成的内容打分。9.数据标注项目中，交叉标注的样本占比越高，标注的总成本越低。（）【答案】×【解析】交叉标注需要多名标注员对同一批样本进行标注，占比越高，所需人力成本越高，标注质量也相对更有保障。10.大语言模型微调时，学习率设置越大，模型收敛速度越快，最终效果越好。（）【答案】×【解析】学习率过大容易导致模型训练震荡、不收敛，甚至损坏预训练权重，需根据模型规模、微调方法设置合理的学习率，并非越大越好。第四部分案例分析与实操题（共3题，第1题15分，第2题15分，第3题20分，共50分）1.某教育科技公司计划基于开源7B参数大语言模型，微调一款面向中小学生的数学解题辅导模型，要求模型输出解题步骤清晰、符合教学大纲、无错误导向内容。三级人工智能训练师小李负责该项目的训练数据构建与初阶微调执行工作。请结合场景回答以下问题：（1）请列出该模型SFT训练数据构建的核心流程（至少4步）。（6分）（2）该模型的训练数据需要重点过滤哪些类型的低质/违规内容？（至少5类）（5分）（3）为了控制标注成本同时保证数据质量，可采用哪些质量控制方法？（4分）【参考答案】（1）核心流程：①数据采集与合规校验：从正规出版社教材、授权教辅、公开合规题库等渠道采集中小学数学题目及解析样本，核验所有数据的知识产权授权资质，避免侵权风险；②数据清洗与初筛：过滤重复样本、题干残缺样本、超纲题目样本，去除与数学解题无关的冗余内容；③标准化标注：组织具备教学经验的标注员，按照“题目-解题步骤-最终答案-知识点标签”的统一格式进行标注，明确要求解题步骤符合教学逻辑、答案准确无误；④数据校验与优化：采用交叉标注+专家复核的方式校验标注质量，修正错误标注，统一标注口径；⑤数据划分与格式化：按照8:1:1的比例将数据划分为训练集、验证集、测试集，确保各数据集的知识点分布、难度分布一致，再将数据转换为模型微调所需的对话式格式。（每点1.5分，答出4点即可得满分6分）（2）需重点过滤的内容：①解题思路错误、答案不正确的样本；②超出对应年级教学大纲的超纲题目样本；③包含暴力、色情、负能量等违规内容的样本；④存在知识产权争议的未授权题库内容；⑤诱导学生作弊、抄作业等不良导向的内容；⑥表述模糊、题干残缺的无效题目样本；⑦解题步骤跳跃、不符合教学逻辑的样本。（每点1分，答出5点即可得满分5分）（3）质量控制方法：①岗前培训考核：标注前开展专项培训，明确标注规则与质量标准，通过理论+实操考核的筛选标注员，不合格者不得参与项目；②双盲交叉标注+仲裁机制：抽取10%的样本进行双盲交叉标注，计算标注一致性系数，对于不一致的样本，由资深教研人员进行仲裁判定；③日常抽检机制：每日抽取当日标注量的5%进行复核，标注准确率低于95%的批次退回重标，连续不达标的标注员取消标注资格；④自动化规则初筛：开发简单的规则校验工具，对答案数值、解题步骤完整性、题干关键词匹配度进行自动化初筛，过滤明显错误的样本，降低人工校验成本。（每点1分，共4分）2.某电商平台计划训练一款商品图像多标签分类模型，用于商品自动打标签，三级训练师小王负责该项目的图像数据标注管理与模型效果验证工作。已知训练集有10万张商品图像，测试集有1万张商品图像，模型训练完成后，在测试集上针对“连衣裙”类别的混淆矩阵如下：真正例（TP）=8500，假正例（FP）=300，假负例（FN）=500，真负例（TN）=700。请结合场景回答以下问题：（1）请计算该模型在“连衣裙”类别上的精确率、召回率、准确率、F1值（需列出计算公式，结果保留2位小数）。（8分）（2）小王在标注过程中发现，有1200张商品图像存在“连衣裙”和“半身裙”标注歧义，即不同标注员对同一张裙子图像的类别判定不一致。请分析标注歧义产生的可能原因（至少3点），并提出解决策略（至少2点）。（7分）【参考答案】（1）计算过程及结果：①精确率（Precision）：指模型预测为正例的样本中真实正例的比例，公式为Precision=TP/(TP+FP)（2分），代入数据得：8500/(8500+300)=8500/8800≈0.97（1分）②召回率（Recall）：指真实正例中被模型预测为正例的比例，公式为Recall=TP/(TP+FN)（2分），代入数据得：8500/(8500+500)=8500/9000≈0.94（1分）③准确率（Accuracy）：指所有预测正确的样本占总样本的比例，公式为Accuracy=(TP+TN)/(TP+TN+FP+FN)（1分），代入数据得：(8500+700)/(8500+700+300+500)=9200/10000=0.92（0.5分）④F1值：精确率与召回率的调和平均数，公式为F1=2×Precision×Recall/(Precision+Recall)（0.5分），代入数据得：2×0.97×0.94/(0.97+0.94)≈1.8236/1.91≈0.95（1分）（2）标注歧义产生原因：①标注规则不完善：未明确“连衣裙”和“半身裙”的界定标准，比如两件式套装裙、连体裙裤、裙长阈值等边界场景未作明确说明，导致标注员判断标准不一致（2分）；②标注员认知差异：部分标注员缺乏服饰类专业知识，对商品类别的定义理解存在偏差，比如将长款半身裙误判为连衣裙（1分）；③图像质量问题：部分图像拍摄角度不佳、清晰度不足、仅展示商品局部，无法明确判断裙子的整体类型，导致标注歧义（1分）；解决策略：①细化标注规则：补充连衣裙与半身裙的界定细则，明确各类边界场景的判定标准，同时增加典型正例、反例、边界案例的图文示例，统一标注口径（2分）；②建立仲裁与迭代机制：成立由3名资深标注员组成的仲裁组，对存在歧义的样本进行投票判定，同时将歧义样本补充到标注规则库中，定期开展标注员复盘培训（1分）；（其他合理答案如优化图像采集标准、增加标注员专业知识培训等可酌情给分）3.某制造企业计划基于开源多模态大模型（文本+图像），微调一款工业质检模型，用于检测电子产品外壳的外观缺陷（如划痕、磕碰、掉漆、变形等），要求模型能同时输出缺陷的位置、类型与严重程度描述。你作为三级人工智能训练师，负责该项目的全流程执行（从数据准备到初版模型交付）。请详细阐述你的工作流程，以及各阶段的核心注意事项。（20分）【参考答案】整体工作流程分为数据准备、模型微调、效果评估、模型交付四个阶段，各阶段工作内容及核心注意事项如下：1.数据准备阶段（7分）该阶段核心是构建高质量的多模态训练数据集，具体工作包括：（1）数据采集与合规校验：联合工厂质检部门，采集真实生产场景下的电子产品外壳图像，覆盖合格样本与各类缺陷样本，同步采集缺陷对应的标准化文本描述（如“外壳左上角2mm浅划痕，不影响功能”）。注意事项：需保证数据场景覆盖不同光照角度、不同拍摄距离、不同缺陷严重程度、不同产品批次，避免数据分布偏差；所有采集的数据需获得企业授权，签订保密协议，不得泄露商业机密。（3分）（2）标准化标注：制定详细的标注规范，分为图像标注与文本标注两部分：图像标注采用边界框+类别+严重程度的标注方式，明确不同缺陷类型的界定标准、边界框标注要求；文本标注要求生成统一格式的缺陷描述文本，形成精准的图文配对数据。注意事项：标注员需具备基础质检经验，标注前开展专项培训与考核，不合格者不得参与；对于边界模糊的缺陷样本，需由资深质检人员进行判定。（2分）（3）数据处理与划分：首先进行数据清洗，过滤模糊、重复、标注错误的样本；其次采用数据增强技术（旋转、翻转、亮度调整、轻微加噪等）扩充缺陷样本量，缓解类别不均衡问题；最后按照7:2:1的比例划分训练集、验证集、测试集，确保各数据集的缺陷类型、严重程度分布一致。注意事项：数据增强不得改变缺陷的本质特征，避免生成无效的增强样本；测试集需包含真实生产场景下的难例样本（如微小划痕、光线过暗的样本），保证评估结果的真实性。（2分）2.模型微调阶段（6分）该阶段核心是采用参数高效微调方法完成多模态模型的适配，具体工作包括：（1）环境搭建与