2026人工智能训练师三级考试题及答案

2026人工智能训练师三级考试题及答案一、单项选择题（共30题，每题1分，共30分。每题只有一个正确答案，多选、错选、不选均不得分）1.2026年实施的《人工智能训练数据安全规范》（GB/T43878-2025）中，要求用于生成式AI服务的敏感个人信息训练数据，必须经过以下哪项流程后方可投入商业训练？A.数据脱敏B.匿名化处理C.去标识化D.个人信息主体单独同意2.在大语言模型参数高效微调（PEFT）技术中，通过在Transformer层注意力权重矩阵上添加低秩分解矩阵实现微调，且训练参数占比通常低于模型总参数量0.1%的方法是？A.PrefixTuningB.LoRAC.AdapterTuningD.PromptTuning3.多模态AI训练中，针对图文配对数据的“语义对齐度”指标，当前行业通用的量化计算方法是？A.计算文本特征与图像特征的余弦相似度B.计算文本token与图像patch的交叉注意力权重均值C.计算图文配对的对比学习损失值D.计算图像描述生成的BLEU值4.数据标注一致性评估中，两名标注员对同批样本标注的Kappa系数为0.72，该一致性等级属于？A.较差B.一般C.良好D.优秀5.在端侧AI模型的量化训练中，在训练过程中引入量化误差模拟，通过反向传播调整模型参数以降低量化损失的方法是？A.后训练量化（PTQ）B.量化感知训练（QAT）C.动态量化D.静态量化6.以下工具中，不属于多模态数据标注工具的是？A.LabelStudioB.DoccanoC.VGGImageAnnotator(VIA)D.PyTorchLightning7.大模型RLHF（人类反馈强化学习）流程的第二阶段是？A.监督微调（SFT）B.奖励模型训练C.强化学习微调D.模型效果评估8.文本训练数据清洗中，针对语义重复但表述不同的样本，最有效的去重方法是？A.规则匹配去重B.哈希去重C.嵌入向量聚类去重D.关键词匹配去重9.大模型幻觉中，“生成的内容符合逻辑但与客观事实不符”属于以下哪种类型？A.逻辑性幻觉B.事实性幻觉C.一致性幻觉D.表达性幻觉10.3D点云标注属于以下哪种模态的数据标注类型？A.文本模态B.图像模态C.空间模态D.语音模态11.联邦学习训练的核心特征是？A.训练数据集中存储B.各参与方原始数据不出域C.模型参数完全公开D.训练效率高于中心化训练12.训练数据质量评估中的“时效性”指标是指？A.数据的存储时间长短B.数据是否符合当前业务场景的时间范围要求C.数据的更新频率高低D.数据的标注完成时间早晚13.面向客服场景的大模型监督微调（SFT）阶段，通用指令数据与垂直场景指令数据的合理配比通常为？A.1:9B.3:7C.7:3D.9:114.在客服意图识别模型的评估中，若业务要求尽可能降低漏判率，应优先优化以下哪项指标？A.精确率B.召回率C.F1值D.准确率15.小样本学习（Few-ShotLearning）中，支持集的样本数量通常在哪个范围？A.1-5个B.5-100个C.100-1000个D.1000个以上16.标注项目中，若标注员对标注规则存在异议，最终裁定主体通常是？A.项目负责人B.质量管控专员C.标注组长D.需求方业务专家17.大模型推理优化中的KV缓存技术的主要作用是？A.降低模型参数量B.提升多轮对话的推理速度C.降低生成内容的幻觉率D.提升模型的并发能力18.以下数据增强方法中，不适用于文本分类训练数据的是？A.同义词替换B.回译C.随机裁剪D.语气调整19.知识图谱在大模型训练中的核心作用是？A.降低训练算力成本B.提升模型的事实准确性，抑制幻觉C.提升模型的生成速度D.减少训练数据需求量20.某标注项目需完成12万条图片分类标注任务，已知每名标注员日均标注量为750条，要求20天内完成交付，至少需要配备多少名标注员？A.7B.8C.9D.1021.生成式AI模型的“指令遵循能力”评估属于以下哪类评估维度？A.效果维度B.安全维度C.效率维度D.成本维度22.仅在大模型输入嵌入层添加可训练的软提示向量，其余参数全部冻结的参数高效微调方法是？A.PromptTuningB.PrefixTuningC.LoRAD.AdapterTuning23.数据标注中的“金标数据”是指？A.标注难度最高的样本数据B.经过多次校验、准确性接近真实值的高质量标注数据C.业务价值最高的样本数据D.使用金属材质相关的标注数据24.多模态大模型训练中，对图像数据进行归一化操作的主要目的是？A.提升图像清晰度B.统一像素值分布，加速模型收敛C.减小图像存储空间D.增强图像对比度25.根据《生成式人工智能服务管理暂行办法（2025修订版）》，生成式AI服务提供者应当对训练数据的来源、处理流程等日志留存备查的期限不少于？A.6个月B.1年C.3年D.5年26.以下指标中，不属于大模型文本生成自动评估指标的是？A.BLEUB.ROUGEC.Perplexity（困惑度）D.IoU27.标注数据质量评估中的“标注一致性”指标，核心考察的是？A.标注结果与客观事实的符合程度B.不同标注主体对同一样本标注结果的吻合程度C.数据字段的完备程度D.数据格式的统一程度28.大模型强化学习微调阶段常用的PPO算法，其核心优化目标是？A.最大化奖励值同时最小化模型与SFT模型的KL散度B.最大化生成文本的长度C.最小化模型的参数量D.提升模型推理速度29.以下数据类型中，属于结构化训练数据的是？A.商品图片B.客服语音C.用户订单表格D.文本对话记录30.根据《人工智能训练师国家职业技能标准（2023年版）》，三级/高级工的职业功能中不包含以下哪项？A.训练数据质量管控B.模型参数调优C.模型架构自研设计D.模型效果评估二、多项选择题（共15题，每题2分，共30分。每题有两个或两个以上正确答案，多选、少选、错选、不选均不得分）1.大模型幻觉抑制的以下手段中，属于训练阶段可实施的有？A.SFT阶段增加事实性指令数据B.RLHF阶段引入事实校验奖励模型C.训练过程中加入知识图谱约束D.部署阶段加入检索增强生成（RAG）2.人工智能训练师在开展数据标注工作时，以下哪些情形属于数据合规风险？A.未经授权使用互联网上受版权保护的图片作为训练数据B.标注过程中泄露数据中的个人身份证号、手机号等敏感信息C.为提升标注效率，将标注数据外包给无数据安全资质的第三方机构D.对公开数据集进行二次标注后用于商业训练未遵守开源协议3.参数高效微调（PEFT）技术的核心优势包括？A.显著降低训练算力成本B.减少训练所需的数据量C.微调后模型可快速适配不同场景D.模型效果必然优于全参数微调4.以下属于多模态AI训练常用数据源的有？A.图文配对数据B.语音转写配对数据C.3D点云数据D.结构化业务表格数据5.以下属于人工智能训练数据质量核心评估指标的有？A.准确性B.完整性C.一致性D.合规性6.以下属于大模型监督微调（SFT）阶段数据清洗工作内容的有？A.去除语义重复的指令数据B.修正答案错误的样本C.过滤含敏感违规内容的样本D.调整模型的学习率参数7.联邦学习训练的适用场景包括？A.多个机构数据无法打通但需要联合训练模型B.数据涉及敏感个人信息不能出域C.单机构训练数据量不足需要跨方补充D.模型需要极致的推理速度8.语音数据标注的常用类型包括？A.语音转写标注B.说话人识别标注C.情感属性标注D.边界框标注9.大模型人工评估的常用维度包括？A.内容准确性B.逻辑连贯性C.回复安全性D.推理速度10.以下属于图像数据增强常用方法的有？A.随机翻转B.亮度调整C.回译D.随机裁剪11.标注项目的全流程质量管控环节通常包含？A.标注前的规则培训与试标考核B.标注中的实时抽检与问题反馈C.标注后的交叉复检与异议处理D.模型的推理优化与参数调优12.以下关于LoRA技术的描述，正确的有？A.通过低秩分解矩阵模拟参数更新B.训练时仅更新LoRA矩阵参数，基座模型参数冻结C.训练完成后可与基座模型合并，推理无额外开销D.仅适用于大语言模型，不适用于多模态模型13.人工智能训练师在工作中需遵守的伦理准则包括？A.尊重知识产权B.保护个人隐私C.避免算法偏见D.提升训练效率14.以下指标可用于评估多模态图文检索模型效果的有？A.Top-1准确率B.召回率@10C.跨模态特征余弦相似度均值D.BLEU值15.小样本微调（Few-ShotFine-tuning）的适用场景包括？A.细分领域标注数据稀缺B.需要快速适配新业务场景C.训练算力资源极其充足D.模型需要快速迭代更新三、判断题（共10题，每题1分，共10分。正确选“√”，错误选“×”）1.在目标检测标注中，boundingbox的IoU阈值要求越高，标注数据的质量标准越低。2.LoRA微调后的模型可以直接与原基座模型合并，无需额外推理组件即可部署。3.大模型的困惑度（Perplexity）越低，说明模型对文本的拟合能力越强，生成质量一定越好。4.联邦学习训练过程中，各参与方的原始数据不会离开本地，可有效降低数据泄露风险。5.金标数据是指标注难度最高、需要资深标注员处理的样本数据。6.多模态大模型训练中，语义对齐的目标是将不同模态的数据映射到同一特征空间，使语义相近的不同模态样本特征距离更近。7.生成式AI训练数据中的个人信息，只要进行了去标识化处理就可以直接用于商业训练，无需获得个人信息主体授权。8.SFT阶段的训练数据量越大，模型的指令遵循能力一定越强。9.量化感知训练（QAT）的效果通常优于后训练量化（PTQ），尤其是在INT4等低比特量化场景下。10.三级/高级工人工智能训练师可以独立负责中型规模标注项目的质量管控工作。四、简答题（共3题，每题5分，共15分）1.请简述大语言模型监督微调（SFT）阶段，高质量指令数据的5个核心特征。2.请列出人工智能训练数据质量评估的5个一级指标，并简要说明其核心含义。3.请简述多模态AI训练中3种常用的数据增强方法及各自的适用场景。五、综合应用案例分析题（共1题，15分）某电商企业计划训练一款面向售后客服场景的多模态大模型，支持文本对话、商品图片识别、语音咨询三种输入形式，目标是替代80%的常规售后咨询。当前企业已积累120万条原始售后客服数据，其中包含70万条纯文本对话数据、30万条带商品图片的咨询对话数据、20万条语音咨询数据。经初步摸排，原始数据存在以下问题：①部分数据包含用户手机号、地址、人脸等敏感信息，未做合规处理；②标注数据由不同时期的多个团队完成，标注标准不统一，标注一致性Kappa值最低仅0.58；③多模态数据的语义对齐度不足，部分图片对应的文本描述与图片内容偏差较大；④长尾场景（如冷门商品售后、特殊诉求）的数据占比不足3%，模型泛化性可能不足。作为三级人工智能训练师，请结合上述背景，制定完整的数据处理与模型训练优化方案，要求覆盖数据合规处理、数据质量提升、多模态对齐训练、模型效果评估四个核心模块，方案需具备可落地性。参考答案及解析一、单项选择题参考答案及解析1.【答案】D【解析】根据GB/T43878-2025《人工智能训练数据安全规范》要求，用于生成式AI商业训练的敏感个人信息，需获得个人信息主体的单独同意，仅进行脱敏、去标识化处理不满足合规要求，匿名化数据不属于个人信息但无法对应到特定主体，不适用于需要用户属性的客服场景训练。2.【答案】B【解析】LoRA（Low-RankAdaptation）通过在Transformer注意力权重矩阵上添加低秩分解矩阵实现参数更新，训练参数量通常不足总参数量的0.1%；PrefixTuning在每一层添加前缀向量，AdapterTuning插入适配器层，PromptTuning仅在输入层添加软提示，三者训练参数量均高于LoRA。3.【答案】A【解析】图文语义对齐度的通用量化方法是计算跨模态特征的余弦相似度，值越高说明对齐度越好；交叉注意力权重是细粒度对齐的分析指标，对比学习损失是训练过程的优化目标，BLEU是文本生成任务的评估指标。4.【答案】C【解析】标注一致性Kappa系数的通用分级标准为：<0.4为较差，0.4-0.6为一般，0.6-0.8为良好，≥0.8为优秀，0.72处于0.6-0.8区间，属于良好等级。5.【答案】B【解析】量化感知训练（QAT）在训练过程中模拟量化误差，通过反向传播优化模型参数，量化效果更优；后训练量化（PTQ）是在模型训练完成后进行量化，分为动态量化和静态量化，无需重新训练。6.【答案】D【解析】PyTorchLightning是基于PyTorch的模型训练框架，不属于标注工具；LabelStudio、Doccano支持多模态标注，VGGImageAnnotator是图像标注工具，均属于标注工具范畴。7.【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），第二阶段为奖励模型训练，第三阶段为强化学习微调。8.【答案】C【解析】嵌入向量聚类去重通过将文本转换为语义向量，对向量进行聚类以识别语义重复样本，可有效处理表述不同但语义一致的重复数据；规则匹配、哈希去重、关键词匹配仅能识别字面重复的样本。9.【答案】B【解析】事实性幻觉指生成内容逻辑通顺但不符合客观事实；逻辑性幻觉指生成内容存在逻辑矛盾；一致性幻觉指生成内容与上下文冲突；表达性幻觉指生成内容表述不通顺。10.【答案】C【解析】3D点云标注是对空间三维点云数据进行标注，属于空间模态标注类型，不属于文本、图像、语音等单模态标注范畴。11.【答案】B【解析】联邦学习的核心特征是“数据不出域”，各参与方的原始数据仅在本地存储和计算，仅交换模型参数或梯度，可有效降低数据泄露风险；训练效率通常低于中心化训练，模型参数不会完全公开。12.【答案】B【解析】训练数据的时效性指标是指数据是否符合当前业务场景的时间范围要求，与数据存储时间、更新频率、标注完成时间无直接关联。13.【答案】B【解析】垂直场景大模型SFT阶段，通用指令与垂直场景指令的合理配比通常为3:7，既保留模型的通用能力，又强化垂直场景的适配性；1:9容易导致模型通用能力退化，7:3、9:1则垂直场景适配不足。14.【答案】B【解析】召回率衡量的是所有正样本中被正确识别的比例，召回率越高漏判率越低；精确率衡量的是预测为正的样本中真正为正的比例，精确率越高误判率越低；F1值是精确率和召回率的调和平均，准确率是整体正确预测的比例。15.【答案】B【解析】小样本学习（Few-Shot）的支持集样本量通常为5-100个；1-5个属于零样本/单样本（Zero/One-Shot）范畴，100个以上属于少样本或全量微调范畴。16.【答案】D【解析】标注规则的业务异议最终由需求方业务专家裁定，确保标注结果符合业务实际需求；项目负责人负责项目整体推进，质量管控专员负责标注质量检查，标注组长负责标注团队管理。17.【答案】B【解析】KV缓存技术通过缓存Transformer层的键值对，避免多轮对话中重复计算历史对话的注意力权重，显著提升多轮对话的推理速度；无法降低参数量、减少幻觉或提升并发能力。18.【答案】C【解析】随机裁剪是图像数据的增强方法，不适用于文本数据；同义词替换、回译、语气调整均是文本分类任务常用的数据增强方法。19.【答案】B【解析】知识图谱存储结构化的事实知识，在大模型训练中引入知识图谱可提升模型的事实准确性，有效抑制事实性幻觉；无法直接降低算力成本、提升生成速度或减少训练数据需求量。20.【答案】B【解析】总标注量为120000条，20天交付的话日均需完成120000/20=6000条，每名标注员日均750条，所需标注员数量为6000/750=8名。21.【答案】A【解析】指令遵循能力是衡量模型生成效果的核心指标之一，属于效果维度评估范畴；安全维度评估内容合规性，效率维度评估推理速度、并发量等，成本维度评估训练、推理成本。22.【答案】A【解析】PromptTuning仅在输入嵌入层添加可训练的软提示向量，基座模型参数全部冻结；PrefixTuning在Transformer每一层都添加前缀向量，LoRA是低秩矩阵更新，AdapterTuning插入适配器层。23.【答案】B【解析】金标数据（GroundTruthData）是指经过多次校验、准确性接近客观真实值的高质量标注数据，通常用于标注质量考核、模型效果评估等场景。24.【答案】B【解析】图像归一化是将像素值调整到固定分布区间（如0-1、-1到1），可加速模型训练收敛，提升训练稳定性；无法提升图像清晰度、减小存储空间或增强对比度。25.【答案】C【解析】《生成式人工智能服务管理暂行办法（2025修订版）》明确要求，生成式AI服务提供者需留存训练数据来源、处理流程等日志不少于3年，以备监管核查。26.【答案】D【解析】IoU（交并比）是目标检测、图像分割任务的评估指标，不属于文本生成评估指标；BLEU、ROUGE是文本生成的常用质量指标，困惑度是语言模型的拟合能力指标。27.【答案】B【解析】标注一致性核心考察不同标注主体（或同一标注主体不同时间）对同一样本标注结果的吻合程度；标注结果与客观事实的符合程度是准确性指标，数据字段完备程度是完整性指标，数据格式统一程度是规范性指标。28.【答案】A【解析】PPO算法的核心优化目标是最大化奖励模型的打分，同时通过KL散度惩罚项限制模型与SFT模型的偏差，避免模型为了追求高奖励而生成不合理内容；其余选项均不是PPO的优化目标。29.【答案】C【解析】结构化数据是指可以用二维表结构表达的数据，用户订单表格属于结构化数据；图片、语音、文本对话均属于非结构化数据。30.【答案】C【解析】根据《人工智能训练师国家职业技能标准（2023年版）》，三级/高级工的职业功能包括数据处理、模型训练辅助、模型效果评估等，模型架构自研设计属于二级/技师及以上等级的职业功能。二、多项选择题参考答案及解析1.【答案】ABC【解析】SFT阶段增加事实数据、RLHF阶段引入事实校验奖励模型、训练中加入知识图谱约束均属于训练阶段的幻觉抑制手段；检索增强生成（RAG）是部署阶段的优化手段，不属于训练阶段范畴。2.【答案】ABCD【解析】四个选项均属于数据合规风险：未经授权使用受版权保护的数据侵犯知识产权；泄露敏感个人信息违反个人信息保护法；外包给无资质机构存在数据泄露风险；未遵守开源协议违反开源许可要求。3.【答案】ABC【解析】参数高效微调仅训练少量参数，可显著降低算力成本、减少数据需求量，且微调后的小参数模块可快速适配不同场景；但其效果不一定优于全参数微调，在数据量充足、算力足够的场景下，全参数微调效果通常更优。4.【答案】ABCD【解析】多模态AI训练需要整合多种模态的数据，图文配对（图像+文本）、语音转写（语音+文本）、3D点云（空间模态）、结构化表格（结构化数据模态）均可作为不同模态的输入源。5.【答案】ABCD【解析】训练数据质量的核心评估指标包括准确性（标注与真实值的符合程度）、完整性（数据及标注的完备程度）、一致性（标注结果的统一程度）、合规性（符合法律法规及伦理要求的程度），此外还有多样性、时效性等指标。6.【答案】ABC【解析】去除重复数据、修正错误样本、过滤敏感内容均属于SFT阶段的数据清洗工作；调整学习率属于模型训练阶段的参数调优工作，不属于数据清洗范畴。7.【答案】ABC【解析】联邦学习适用于数据无法打通、数据不能出域、单机构数据不足的场景；联邦学习的推理速度与中心化训练模型无显著差异，无法实现极致推理速度。8.【答案】ABC【解析】语音转写标注、说话人识别标注、情感属性标注均是语音数据的常用标注类型；边界框标注是图像/视频数据的标注类型，不适用于语音数据。9.【答案】ABC【解析】大模型人工评估的常用维度包括内容准确性、逻辑连贯性、回复安全性、相关性、流畅性等；推理速度是客观性能指标，无需人工评估。10.【答案】ABD【解析】随机翻转、亮度调整、随机裁剪均是图像数据的常用增强方法；回译是文本数据的增强方法，不适用于图像数据。11.【答案】ABC【解析】标注前培训试标、标注中实时抽检、标注后交叉复检均属于标注项目的质量管控环节；模型推理优化与参数调优属于模型训练阶段的工作，不属于标注项目质量管控范畴。12.【答案】ABC【解析】LoRA通过低秩分解矩阵模拟参数更新，训练时仅更新LoRA矩阵，基座模型冻结，训练完成后可与基座模型合并，推理无额外开销；LoRA不仅适用于大语言模型，也可应用于多模态模型的Transformer层。13.【答案】ABC【解析】尊重知识产权、保护个人隐私、避免算法偏见均属于人工智能训练师需遵守的伦理准则；提升训练效率是工作能力要求，不属于伦理准则范畴。14.【答案】ABC【解析】Top-1准确率、召回率@10是图文检索任务的核心效果指标，跨模态特征余弦相似度是语义对齐度的量化指标；BLEU是文本生成任务的评估指标，不适用于图文检索模型。15.【答案】ABD【解析】小样本微调适用于标注数据稀缺、需快速适配新场景、模型快速迭代的场景，可显著降低数据和算力成本；算力资源充足的场景下通常采用全量微调以获得更优效果。三、判断题参考答案及解析1.【答案】×【解析】IoU（交并比）是衡量标注框与真实框重叠程度的指标，阈值要求越高，标注精度要求越严，标注数据的质量标准越高。2.【答案】√【解析】LoRA的低秩矩阵可直接与基座模型的权重矩阵合并，合并后的模型与原基座模型结构完全一致，无需额外推理组件即可部署，推理无额外开销。3.【答案】×【解析】困惑度越低说明模型对训练文本的拟合能力越强，但生成质量不一定越好，可能存在过拟合、事实错误、内容重复等问题，需结合其他指标综合评估。4.【答案】√【解析】联邦学习的核心是“数据不出域，模型动数据不动”，各参与方的原始数据仅在本地处理，仅交换模型参数或梯度，可有效降低数据泄露风险。5.【答案】×【解析】金标数据是指经过多次校验、准确性接近客观真实值的高质量标注数据，与标注难度无直接关联；标注难度高的样本不一定是金标数据。6.【答案】√【解析】多模态语义对齐的核心目标是学习跨模态的统一特征空间，使语义相近的不同模态样本在特征空间中的距离更近，语义不同的样本距离更远。7.【答案】×【解析】去标识化的数据仍可通过技术手段复原到特定个人，属于个人信息范畴，用于商业训练仍需获得个人信息主体授权；只有匿名化数据（无法复原到特定个人）无需单独授权。8.【答案】×【解析】SFT阶段数据质量的优先级高于数据量，低质量数据过多会干扰模型学习，反而降低指令遵循能力，并非数据量越大效果越好。9.【答案】√【解析】量化感知训练在训练过程中引入量化误差，模型可针对性调整参数以适应量化带来的精度损失，效果通常优于后训练量化，在低比特（如INT4）量化场景下优势更明显。10.【答案】√【解析】根据《人工智能训练师国家职业技能标准（2023年版）》，三级/高级工具备独立负责中型标注项目质量管控、辅助开展模型训练与评估的能力。四、简答题参考答案及评分标准1.【参考答案及得分点】高质量指令数据的5个核心特征如下：（1）意图明确：指令表述清晰无歧义，用户诉求准确，不存在多义或模糊表述（1分）；（2）内容正确：回复内容符合客观事实、行业规范与逻辑规则，无虚假错误信息（1分）；（3）场景多样：数据覆盖目标应用的全量核心场景与长尾场景，具备足够的多样性（1分）；（4）格式规范：指令与回复的结构、长度、语气等符合预设的训练格式要求，无格式混乱问题（1分）；（5）安全合规：数据不含色情、暴力、偏见等违法违规内容，不存在敏感信息泄露风险（1分）。2.【参考答案及得分点】训练数据质量评估的5个一级指标及含义如下：（1）准确性：指标注内容与客观真实值的符合程度，是衡量数据质量的核心指标（1分）；（2）完整性：指数据本身及对应标注信息的完备程度，不存在字段缺失、样本不全等问题（1分）；（3）一致性：指不同标注主体或同一标注主体不同时间对同一样本标注结果的吻合程度（1分）；（4）多样性：指数据覆盖场景、样本分布的丰富程度，直接影响模型的泛化能力（1分）；（5）合规性：指数据采集、标注、使用全流程符合法律法规、伦理规范及协议要求的程度（1分）。3.【参考答案及得分点】多模态训练常用的3种数据增强方法及适用场景如下：（1）跨模态语义增强：通过文本生成图像、图像生成文本、语音转文本等方式生成配对的多模态数据（1分）；适用于多模态配对数据不足的场景，可提升数据多样性与对齐度（1分）；（2）单模态数据增强：对单一模态数据进行变换，如图像的翻转、亮度调整，文本的同义词替换、回译，语音的加噪、变速等（1分）；适用于单模态样本量不足、模型泛化性差的场景（1分）；（3）模态组合增强：将不同模态的样本重新组合生成新的多模态样本，如将不同文本与相同图像配对验证对齐性（0.5分）；适用于多模态对齐训练场景，可强化模型的跨模态语义匹配能力（0.5分）。五、综合应用案例分析题参考答案及评分标准【参考答案】针对该电商售后客服多模态大模型的训练需求，结合现有数据问题，制定如下方案：1.数据合规处理模块（1）敏感信息治理：搭建多模态敏感信息检测工具，对文本中的手机号、地址、身份证号等个人信息进行去标识化处理，对图片中的人脸、地址信息进行打码或裁剪，对语音中的个人敏感信息进行抹除；涉及敏感个人信息的样本需验证用户授权链，无授权的样本直接删除（1分）；（2）知识产权合规：梳理所有数据的来源，自有客服数据确认权属，公开数据集需遵守开源协议，互联网抓取的图片、文本等数据需获得版权授权，无授权数据全部剔除（1分）；（3）合规审计与留存：建立数据处理全链路日志，记录数据来源、处理流程、使用范围，按照《生成式人工智能服务管理暂行办法（2025修订版）》要求留存不少于3年，配合企业合规部门完成数据安全评估（1分）；（4）敏感内容过滤：搭建多模态违规内容检测模型，对色情、暴力、涉政、歧视性内容进行清洗，建立违规数据黑名单，避免违规数据进入训练流程（1分）。（本模块满分4分，答出核心要点即可得分）2.数据质量提升模块（1）统一标注标准：联合电商售后业务专家，针对文本对话、图片标注、语音转写分别制定统一的标注规范，明确标注粒度、质量阈值、争议处理流程，组织所有标注人员开展培训并通过试标考核后方可上岗（1分）；（2）全流程质量管控：采用“初标+交叉复检+抽检”的三级