2026年人工智能(AI)训练师专业知识考试题(附答案)

2026年人工智能(AI)训练师专业知识考试题(附答案)一、单项选择题（每题1分，共40分）1.在机器学习中，将数据集划分为训练集、验证集和测试集的主要目的是什么？A.增加数据的数量B.提高模型的计算速度C.防止模型过拟合，评估模型的泛化能力D.减少数据预处理的工作量答案C2.下列哪项是监督学习的典型特征？A.训练数据没有标签B.训练数据既有特征又有标签C.模型通过与环境交互获得奖励D.仅用于降维和聚类答案B3.在深度学习中，用于解决梯度消失问题的激活函数是？A.SigmoidB.TanhC.ReLUD.Step答案C4.下列关于“过拟合”的描述，错误的是？A.模型在训练集上表现很好B.模型在测试集上表现较差C.增加数据量通常可以缓解过拟合D.模型欠训练导致无法捕捉数据特征答案D5.在计算机视觉任务中，卷积神经网络（CNN）特有的层是？A.全连接层B.池化层C.Dropout层D.归一化层答案B6.自然语言处理（NLP）中，Transformer模型的核心机制是？A.卷积运算B.循环结构C.注意力机制D.池化操作答案C7.下列哪个指标主要用于评估分类模型的精确性和召回率的平衡？A.Accuracy（准确率）B.Precision（精确率）C.Recall（召回率）D.F1-Score答案D8.在数据标注过程中，对于图像分割任务，通常使用的标注形式是？A.边界框B.关键点C.像素级掩膜D.图像分类标签答案C9.梯度下降算法中，学习率过大可能导致的问题是？A.收敛速度过慢B.陷入局部最优C.震荡甚至无法收敛D.无影响答案C10.下列哪项不是数据增强的常用方法？A.图像旋转B.图像裁剪C.删除原始数据D.色彩抖动答案C11.大语言模型（LLM）中的“Temperature”参数主要控制什么？A.模型的训练速度B.输出结果的随机性和创造性C.模型的显存占用D.输出文本的最大长度答案B12.在目标检测任务中，mAP（meanAveragePrecision）是指？A.所有类别精确率的平均值B.所有类别召回率的平均值C.所有类别在不同置信度阈值下平均精度（AP）的平均值D.单个类别的平均精度答案C13.下列关于RLHF（基于人类反馈的强化学习）的描述，正确的是？A.完全不需要人工参与B.通过奖励模型来指导语言模型的训练C.仅适用于图像生成模型D.属于无监督学习的一种答案B14.数据清洗中，处理缺失值的方法不包括？A.删除含有缺失值的行B.使用均值填充C.使用中位数填充D.随意伪造数据填充答案D15.用于衡量回归模型预测值与真实值差异的常用指标是？A.交叉熵损失B.均方误差（MSE）C.对数损失D.骰子系数答案B16.在自然语言处理中，将文本转换为向量表示的过程称为？A.词性标注B.命名实体识别C.词嵌入D.句法分析答案C17.下列哪种正则化方法在训练过程中随机关闭一部分神经元？A.L1正则化B.L2正则化C.DropoutD.BatchNormalization答案C18.PromptEngineering（提示词工程）的主要目的是？A.修改模型的底层代码B.提高模型训练的数据量C.引导模型生成更符合预期的高质量输出D.降低模型的推理成本答案C19.在混淆矩阵中，FalsePositive（FP）指的是？A.实际为正，预测为正B.实际为负，预测为负C.实际为负，预测为正D.实际为正，预测为负答案C20.下列框架中，主要用于深度学习模型训练的是？A.PandasB.NumPyC.PyTorchD.Matplotlib答案C21.针对非平衡数据集（如正负样本比例1:99），下列做法不恰当的是？A.使用过采样技术增加少数类样本B.使用欠采样技术减少多数类样本C.仅使用准确率作为评估指标D.调整分类阈值或使用代价敏感学习答案C22.Transformer模型中的位置编码的作用是？A.增加模型的参数量B.为模型提供序列中词的位置信息C.加速模型的训练过程D.提高模型的鲁棒性答案B23.下列关于生成式AI和判别式AI的区别，说法正确的是？A.判别式AI旨在生成新数据B.生成式AI学习数据的联合概率分布PC.判别式AI学习数据的条件概率分布PD.两者在功能上没有区别答案C24.在图像分类任务中，输入图像的尺寸通常需要固定，这是因为？A.摄像头只拍固定尺寸B.全连接层需要固定的输入维度C.卷积层无法处理可变尺寸D.为了减少存储空间答案B25.下列哪项不是人工智能伦理考量的主要内容？A.算法偏见与公平性B.数据隐私与安全C.模型的计算复杂度D.可解释性与透明度答案C26.微调预训练模型时，通常建议？A.使用较大的学习率以快速收敛B.冻结预训练层的权重，只训练顶层C.随机初始化所有参数D.忽略预训练权重答案B27.下列损失函数中，常用于多分类任务的是？A.HingeLossB.Cross-EntropyLoss（交叉熵损失）C.MeanSquaredErrorD.HuberLoss答案B28.K-近邻算法（KNN）中，K值的选择对模型的影响是？A.K值越大，模型越复杂，容易过拟合B.K值越小，模型越简单，容易欠拟合C.K值过大，分类边界会变得平滑，可能导致欠拟合D.K值对模型无影响答案C29.在时间序列分析中，RNN（循环神经网络）相比传统神经网络的优势在于？A.参数更少B.计算速度更快C.能够处理序列数据的上下文依赖关系D.不需要训练数据答案C30.AI训练师在进行数据标注质量控制时，常用的指标不包括？A.准确率B.一致性C.召回率D.标注速度（作为质量指标本身）答案D31.下列哪种技术常用于缓解长文本处理中的遗忘问题？A.LSTMB.CNNC.K-MeansD.SVM答案A32.模型部署时，模型量化的主要目的是？A.提高模型精度B.减小模型体积，加快推理速度C.增加模型鲁棒性D.方便模型调试答案B33.在推荐系统中，协同过滤算法的核心思想是？A.利用物品的内容特征进行推荐B.利用用户的历史行为和群体偏好进行推荐C.仅利用用户的注册信息推荐D.随机推荐热门物品答案B34.下列关于“批次大小”的描述，正确的是？A.批次大小越大，显存占用越小B.批次大小越小，梯度下降方向越稳定C.批次大小越大，训练速度通常越快，但可能收敛到局部最优D.批次大小不影响模型训练答案C35.AI训练师在发现模型存在性别偏见时，应该采取的措施是？A.忽略偏见，因为模型精度很高B.在训练数据中增加多样性样本，并进行去偏见处理C.直接删除所有性别相关特征D.停止模型开发答案B36.下列属于无监督学习任务的是？A.垃圾邮件检测B.客户流失预测C.顾客分群D.房价预测答案C37.在模型评估中，ROC曲线的横坐标和纵坐标分别是？A.精确率，召回率B.真正率，假正率C.假正率，真正率D.准确率，错误率答案C38.下列关于Adam优化器的描述，错误的是？A.结合了动量法和RMSProp的优点B.自适应调整学习率C.对内存需求较大D.在某些情况下可能无法收敛到最优解答案D39.Python中，用于科学计算的基础库是？A.TensorFlowB.NumPyC.Scikit-learnD.Flask答案B40.下列哪个步骤不属于AI模型训练的标准流程？A.数据预处理B.模型构建与编译C.模型训练与调优D.编写前端界面答案D二、多项选择题（每题2分，共20分。多选、错选不得分，少选得0.5分）1.下列属于常见的数据预处理步骤的有？A.缺失值处理B.数据标准化/归一化C.特征选择D.直接输入原始数据答案ABC2.下列哪些是评估回归模型性能的指标？A.MSE（均方误差）B.RMSE（均方根误差）C.MAE（平均绝对误差）D.R2答案ABCD3.缓解过拟合的方法包括？A.增加训练数据B.使用正则化（L1/L2）C.减小模型复杂度D.增加训练轮数答案ABC4.卷积神经网络（CNN）包含的基本操作有？A.卷积操作B.激活函数C.池化D.全连接答案ABCD5.下列关于Transformer模型的描述，正确的有？A.采用自注意力机制B.能够并行计算，训练效率高C.广泛应用于NLP和CV领域D.无法捕捉长距离依赖关系答案ABC6.在进行数据标注项目管理时，需要关注的要素有？A.标注指南的明确性B.标注人员的培训与考核C.标注质量的一致性检查D.标注工具的易用性答案ABCD7.下列属于强化学习基本要素的有？A.Agent（智能体）B.Environment（环境）C.Reward（奖励）D.Policy（策略）答案ABCD8.大语言模型微调常用的方法有？A.FullFine-tuning（全量微调）B.LoRA（低秩适应）C.PromptTuning（提示微调）D.k-NearestNeighbors答案ABC9.AI伦理中，算法偏见可能来源于？A.训练数据样本分布不均B.标注人员的主观偏见C.特征选择不当D.算法设计缺陷答案ABCD10.下列哪些是常用的深度学习框架？A.PyTorchB.TensorFlowC.KerasD.OpenCV（主要用于图像处理，非深度学习框架）答案ABC三、判断题（每题1分，共20分）1.深度学习模型层数越多，效果一定越好。答案错误2.监督学习需要带标签的数据进行训练。答案正确3.在测试集上进行超参数调整是合理的做法。答案错误4.数据归一化有助于加速神经网络的收敛。答案正确5.Sigmoid激活函数的输出范围是(0,1)。答案正确6.CNN只能用于处理图像数据。答案错误7.过拟合意味着模型在训练集上的误差远大于在测试集上的误差。答案错误8.评估分类模型时，准确率高并不一定代表模型性能好（特别是在样本不平衡时）。答案正确9.梯度下降算法总是能找到全局最优解。答案错误10.预训练模型是指在海量数据上训练好的模型，可以用于后续的迁移学习。答案正确11.数据标注的质量对模型性能没有影响，只要数据量大就行。答案错误12.LLM中的上下文窗口限制是指模型能够处理的最大文本长度。答案正确13.增加Dropout层一定会提高模型在测试集上的表现。答案错误14.特征工程是指使用领域知识从原始数据中提取特征以使算法更好的过程。答案正确15.交叉验证主要用于评估模型的泛化能力。答案正确16.GPU比CPU更适合深度学习训练是因为它有更多的核心，擅长并行计算。答案正确17.在二分类问题中，如果Precision和Recall都很高，说明模型性能很好。答案正确18.决策树模型不需要进行特征归一化。答案正确19.所有的机器学习模型都需要可解释性。答案错误20.AI训练师只需要懂技术，不需要懂业务逻辑。答案错误四、简答与案例分析题（每题10分，共20分）1.简述在处理类别极度不平衡的数据集时，可以采取哪些技术手段来改善模型性能？答案：(1)数据层面：-过采样：增加少数类样本（如SMOTE算法）。-欠采样：减少多数类样本。-数据增强：针对少数类生成新的样本。(2)算法层面：-代价敏感学习：对少数类样本的误判赋予更高的损失权重。-选择合适的评估指标：不使用准确率，改用F1-Score、AUC等。-集成学习：如Bagging或Boosting，更容易关注到难分类的样本。(3)模型层面：-调整分类阈值：将默认的0.5阈值向有利于少数类的方向调整。解析：本题考察AI训练师对实际数据问题的处理能力。类别不平衡是工业界常见问题，需要从数据重采样、算法修改和评估优化三个维度综合回答。2.案例分析：某电商公司训练了一个商品推荐模型，上线后发现推荐结果严重同质化，用户总是看到类似的商品，导致点击率（CTR）下降。作为AI训练师，你如何分析并解决这一问题？答案：问题分析：模型可能陷入了“马太效应”，即只推荐热度高、历史表现好的热门商品，忽略了长尾商品和新品的探索，导致推荐多样性不足，用户产生审美疲劳。解决方案：(1)数据优化：-在训练数据中增加对长尾商品和新品的曝光记录，避免模型只学习热门物品的特征。-引入用户对“不感兴趣”的负反馈数据进行训练。(2)算法优化：-引入多样性惩罚机制：在推荐列表生成阶段，加入