2025技能考试人工智能训练师三级题库练习附答案

2025技能考试人工智能训练师三级题库练习附答案一、单项选择题（共20题，每题1分，共20分。每题只有1个正确答案）1.人工智能训练师的核心工作职责不包括（）A.训练数据的采集、标注与清洗B.人工智能模型的底层算法研发C.模型的训练、调优与效果评估D.模型上线后的迭代与运维支持2.下列数据标注类型中，属于文本标注范畴的是（）A.3D点云语义标注B.实体关系抽取标注C.图像实例分割标注D.人体关键点标注3.针对文本数据中的重复样本，以下不属于常用去重方法的是（）A.SimHash算法匹配B.编辑距离相似度匹配C.哈希表精确去重D.线性插值法处理4.LoRA微调技术属于以下哪类大模型微调方法（）A.全参数微调B.参数高效微调C.提示词微调D.监督预训练5.检索增强生成（RAG）系统的核心作用是（）A.提升大模型推理速度B.降低大模型参数量C.解决大模型知识时效性不足问题D.提升大模型的多模态处理能力6.下列参数中，不属于模型训练超参数的是（）A.学习率B.批次大小C.训练轮数D.模型权重参数7.以下哪种现象属于典型的模型过拟合（）A.训练集准确率高，测试集准确率低B.训练集准确率低，测试集准确率高C.训练集与测试集准确率均低D.训练集与测试集准确率均高8.标注质量评估中，“不同标注员对同一批数据标注结果的一致性程度”被称为（）A.标注准确率B.标注召回率C.组内一致性D.组间一致性9.根据《生成式人工智能服务管理暂行办法》，生成式AI服务提供者对训练数据无需履行的义务是（）A.数据来源合法性审核B.个人信息去标识化处理C.训练数据商业化变现D.违法不良信息过滤10.以下数据类型中，不属于多模态数据组合的是（）A.文本+配套图像B.音频+对应视频C.结构化表格数据D.语音+转写文本11.以下标注工具中，支持图像语义分割标注且应用最广泛的是（）A.LabelStudioB.DoccanoC.BRATD.Prodigy12.分类任务评估指标中，精确率的计算公式是（）A.TP/(TP+FN)B.TP/(TP+FP)C.TN/(TN+FP)D.(TP+TN)/(TP+TN+FP+FN)13.大模型指令微调的核心目的是（）A.让模型学会遵循人类指令输出合规内容B.提升大模型预训练速度C.降低大模型推理延迟D.扩充大模型参数量14.以下数据集属于公开可商用文本数据集的是（）A.ImageNetB.COCOC.WikipediaDumpD.CelebA15.以下技术中，不属于模型轻量优化技术的是（）A.量化B.剪枝C.知识蒸馏D.全参数微调16.人工智能训练师不得泄露客户提供的涉密训练数据，体现了哪项职业守则（）A.爱岗敬业B.诚实守信C.客观公正D.精益求精17.若数值型数据的缺失值与样本核心特征存在强关联，以下哪种缺失值处理方法最容易导致样本分布偏差（）A.直接删除含缺失值的样本B.均值填充C.中位数填充D.随机森林填充18.以下方法中，不属于提示工程常用技巧的是（）A.思维链（CoT）引导B.少样本示例提示C.LoRA参数微调D.系统角色设定19.当前大模型训练最常用的加速硬件是（）A.CPUB.GPUC.FPGAD.ASIC20.模型上线后，因真实业务数据分布变化导致模型效果持续下降的现象被称为（）A.过拟合B.欠拟合C.模型漂移D.模型泛化【单项选择题参考答案】1.B2.B3.D4.B5.C6.D7.A8.D9.C10.C11.A12.B13.A14.C15.D16.B17.A18.C19.B20.C二、多项选择题（共10题，每题2分，共20分。每题有2个及以上正确答案，多选、少选、错选均不得分）1.人工智能训练师在数据标注阶段常用的质量控制措施包括（）A.标注规则统一培训B.标注过程随机抽检C.多标注员交叉校验D.标注一致性评估E.训练数据加密存储2.以下属于参数高效微调（PEFT）技术的有（）A.LoRAB.AdapterC.PrefixTuningD.全参数微调E.PromptTuning3.RAG系统的核心构成模块包括（）A.数据预处理模块B.检索匹配模块C.生成推理模块D.模型压缩模块E.向量存储模块4.以下属于文本分类任务常用评估指标的有（）A.精确率B.召回率C.F1值D.交并比（IoU）E.准确率5.根据《数据安全法》，人工智能训练师处理训练数据时应当遵守的规定有（）A.不得非法收集个人信息B.不得泄露国家秘密与商业秘密C.可随意使用公开爬取的网络数据D.需建立数据安全管理制度E.需对敏感数据进行脱敏处理6.以下属于多模态人工智能训练任务的有（）A.图文匹配B.图像描述生成C.语音识别D.视频问答E.文本摘要7.导致模型欠拟合的可能原因有（）A.模型复杂度过低B.训练样本量不足C.训练轮数过少D.特征提取不充分E.正则化强度过高8.以下属于常用文本数据增强方法的有（）A.同义词替换B.随机插入词汇C.随机删除词汇D.回译E.随机裁剪翻转9.人工智能训练师开展超参数调优时常用的方法有（）A.网格搜索B.随机搜索C.贝叶斯优化D.梯度下降E.遗传算法10.关于大模型训练的批次大小（BatchSize），下列说法正确的有（）A.批次越大，单轮训练速度越快B.批次过大可能导致模型泛化能力下降C.批次越小，训练过程越容易出现震荡D.批次大小与显存占用无关E.批次越大，梯度估计越准确【多项选择题参考答案】1.ABCD2.ABCE3.ABCE4.ABCE5.ABDE6.ABD7.ABCDE8.ABCD9.ABCE10.ABCE三、判断题（共10题，每题1分，共10分。正确打√，错误打×）1.人工智能训练师的工作仅涉及数据标注，不涉及模型训练与调优操作。（）2.LoRA微调通过在原模型权重旁增加低秩矩阵实现参数更新，无需修改原模型全部权重。（）3.标注数据的准确率越高，训练得到的模型最终效果一定越好。（）4.RAG系统中的向量数据库主要用于存储文本语义向量，实现快速相似性检索。（）5.生成式人工智能训练数据可随意使用互联网公开内容，无需获得版权授权。（）6.模型出现过拟合时，可通过增加训练数据量、引入正则化等方式缓解。（）7.组间一致性系数（Kappa）越接近0，说明标注员之间的标注一致性越高。（）8.提示工程属于大模型应用层面技术，无需调整模型参数即可提升输出效果。（）9.多模态模型的训练数据仅需包含文本数据即可满足训练要求。（）10.模型漂移是指模型上线后，因真实数据分布变化导致效果下降的现象。（）【判断题参考答案】1.×2.√3.×4.√5.×6.√7.×8.√9.×10.√四、简答题（共3题，每题10分，共30分）1.请简述人工智能训练师在数据预处理阶段，针对文本数据的常用清洗方法及适用场景。2.请简述基于大模型的检索增强生成（RAG）系统的完整构建流程。3.请简述模型训练中出现过拟合的常见解决措施。【简答题参考答案及评分标准】1.文本数据清洗的核心是去除噪声、统一格式、提升数据质量，常用方法及适用场景如下：（1）去重处理：适用于存在大量重复或高度相似文本的数据集，可通过SimHash、编辑距离、哈希表等方法去除冗余样本，避免模型学习重复特征（2分）。（2）缺失值处理：适用于存在字段缺失的数据集，缺失占比低于5%且与核心特征无强关联时，可直接删除缺失样本；缺失占比适中时，可采用均值/中位数填充、插值法等方式补全，避免样本量损失（2分）。（3）噪声清洗：适用于包含特殊符号、乱码、无关内容的数据集，可通过正则表达式过滤特殊字符、停用词表过滤无意义词汇、规则过滤广告/低质量短文本，提升数据纯度（2分）。（4）格式统一：适用于格式不规范的数据集，包括英文大小写统一、全角半角转换、日期/数字格式标准化、繁体转简体等，确保特征表达一致（2分）。（5）脱敏处理：适用于包含敏感信息的数据集，通过实体识别替换身份证号、手机号、姓名等个人信息，符合数据安全合规要求（2分）。（答出5种及以上方法且说明适用场景即可得满分，内容合理可酌情给分）2.RAG系统的构建分为数据准备、索引构建、检索匹配、生成输出、迭代优化五个阶段，具体流程如下：（1）数据准备阶段：收集业务相关原始数据（文档、知识库、政策文件等），完成去重、去噪等清洗操作，将长文档切分为200-1000token的语义完整文本块，适配大模型输入窗口与检索精度要求（2分）。（2）索引构建阶段：选择适配业务场景的文本嵌入模型，将切分后的文本块转换为高维语义向量，连同原始文本、元数据（来源、时间、页码等）存入向量数据库，构建检索索引（2分）。（3）检索匹配阶段：接收用户查询后，用同一嵌入模型将查询转换为向量，在向量库中检索TopN个相关文本块；可结合重排序模型对结果二次排序，提升检索准确率（2分）。（4）生成输出阶段：将检索到的相关文本作为上下文，与用户查询、系统提示词拼接为规范Prompt，送入大语言模型生成回答，同时附参考来源便于溯源（2分）。（5）迭代优化阶段：收集用户反馈的badcase，针对性优化数据切分策略、检索参数、提示词模板，持续提升系统效果（2分）。3.过拟合是指模型过度学习训练数据中的噪声特征，导致泛化能力下降的现象，常用解决措施如下：（1）数据增强：通过扩充训练数据量丰富数据分布，如图像数据的翻转、裁剪，文本数据的同义词替换、回译、随机增删等，降低模型对噪声的敏感度（2分）。（2）正则化：在损失函数中加入正则项约束权重，常用L1正则（产生稀疏权重、实现特征选择）、L2正则（防止权重过大），平衡模型拟合能力与泛化能力（2分）。（3）降低模型复杂度：减少模型层数、参数量，或通过剪枝、量化等方式压缩模型容量，避免模型过度拟合噪声（2分）。（4）早停策略：训练过程中监控验证集损失/准确率，当验证集效果连续多轮无提升时提前停止训练，避免模型过度迭代（2分）。（5）Dropout机制：训练过程中随机失活一定比例的神经元，减少神经元共适应关系，提升模型泛化能力（2分）。（答出5种及以上措施且说明原理即可得满分，内容合理可酌情给分）五、实操题（共2题，每题10分，共20分）1.某电商企业需要构建客服场景文本分类数据集，用于微调大模型分类器，分类标签包括“产品咨询”“售后投诉”“物流查询”“活动咨询”“其他”5类。现有10000条未标注的客服对话数据，请设计标注质量控制方案，确保最终标注数据准确率不低于95%。2.某公司需基于7B参数量的开源大语言模型进行小样本微调，用于生成营销文案，现有1000条标注好的营销文案数据，可用GPU显存为24GB。请选择合适的微调方法，并设计核心参数配置方案，说明设置理由。【实操题参考答案及评分标准】1.标注质量控制方案分为标注准备、过程管控、最终验收三个环节，具体如下：（1）标注准备阶段（3分）：①联合业务专家制定详细标注规则，明确每类标签的定义、边界、典型示例与易混淆案例，如“售后投诉”需包含用户明确的不满或退换货诉求，规则需经业务方确认后生效（1.5分）；②对标注员开展岗前培训，讲解标注规则、工具操作、考核标准，培训后进行试标注考核，准确率达到90%以上方可参与正式标注（1.5分）。（2）过程管控阶段（4分）：①采用“预标注+人工校验”模式，先用小样本训练的基础分类模型完成预标注，标注员仅修正错误标签，提升效率与准确率（1分）；②每日按10%比例随机抽检标注结果，若抽检准确率低于92%，需对该标注员当日全部结果复审，并重新开展规则培训（1.5分）；③抽取20%的样本由2名标注员独立标注，计算组间Kappa系数，要求Kappa≥0.85，不一致样本由资深标注员或业务专家仲裁（1.5分）。（3）最终验收阶段（3分）：①按总数据量5%开展最终抽检，整体准确率需≥95%，未达标则返回整改（1.5分）；②分类别统计标注准确率，要求每类标签准确率不低于90%，对占比低的“其他”类单独校验，避免类别不平衡导致的标注偏差（1.5分）。2.方案设计如下：（1）微调方法选择（3分）：选择LoRA（低秩适应）参数高效微调方法（1分）。理由：①7B模型全参数微调需40GB以上显存，24GB显存无法支撑，LoRA仅训练低秩矩阵，参数量为原模型的0.1%-1%，显存占用低，可在24GBGPU上运行（1分）；②小样本场景下LoRA微调效果稳定，不易过拟合，且可快速迭代适配不同业务需求（1分）。（2）核心参数配置（7分，每点1分，理由合理即可）：①秩（Rank）：设置为8-16。理由：秩越小参数量越少、显存占用越低，秩过大易在小样本场景下过拟合，1000条样本下8-16的秩足以学习营销文案的风格特征。②Alpha（缩放系数）：设置为16-32。理由：Alpha通常为秩的2倍，用于控制LoRA输出的权重占比，避免低秩矩阵对原模型造成过大冲击。③目标模块：选择注意力层的Q、V矩阵。理由：注意力层是大模型学习语义与风格的核心，针对Q、V层微调可在少量参数下获得较好效果，显存充足时可扩展至全连接层。④学