2026年初级人工智能应用工程师资格考试理论知识冲刺模拟考试卷及答案（十八）

初级人工智能应用工程师资格考试理论知识冲刺模拟考试卷及答案（十八）考生须知1.本试卷为初级人工智能应用工程师理论知识专项模拟卷，满分100分，考试时长120分钟。2.试卷题型：单项选择题、多项选择题、判断题、简答题，题目与答案完全分离，可独立闭卷答题、复盘刷题。3.评分规则：单选题唯一正确选项；多选题多选、错选不得分，少选得相应分值；判断题对错唯一；简答题按采分点计分。第一部分试题一、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）1.以数据拟合、神经网络运算为核心的人工智能流派是（）。2.可用于模型最终泛化能力客观评估的专属数据集是（）。3.商品好评、差评情感判定属于机器学习中的（）任务。4.无需预设聚类数量、适配不规则数据分布的聚类算法是（）。5.用于解决特征量纲不统一、加速模型收敛的数据处理方式是（）。6.强化学习中连接智能体与外部环境的核心交互载体是（）。7.神经网络中用于偏移修正、辅助拟合数据规律的参数是（）。8.兼具非线性拟合与无梯度饱和优势的基础激活函数是（）。9.控制模型全量数据完整训练轮数的超参数是（）。10.模型拟合能力不足、无法捕捉数据底层规律的现象是（）。11.ResNet网络解决深层网络退化的核心结构是（）。12.CNN中卷积核重复复用参数的核心机制是（）。13.适合语义分割、全景分割任务的池化方式是（）。14.深度学习中随机失活神经元、抑制模型过拟合的技术是（）。15.传统RNN最核心的缺陷是（）。16.NLP中删除无效停用词汇、精简文本特征的操作是（）。17.Word2Vec中中心词预测上下文、适配小样本的模型是（）。18.独热编码在NLP任务中最大的缺陷是（）。19.Transformer模型中负责语义特征提取的模块是（）。20.大模型RLHF训练的核心目的是（）。21.模型训练收敛过慢、长期达不到最优精度的主要原因是（）。22.仅做权重平滑、无特征筛选作用的正则化是（）。23.人工设定、不参与模型梯度更新的参数统称为（）。24.目标检测中衡量多类别整体检测精度的核心指标是（）。25.模型误检过多会直接降低的核心指标是（）。26.兼顾精准率、召回率的模型综合评估指标是（）。27.AI伦理中公平性原则主要规避的问题是（）。28.无需重新训练大模型即可更新知识库、减少幻觉的技术是（）。29.大模型低成本参数高效微调的主流方案是（）。30.知识蒸馏中提供高精度知识的预训练模型是（）。二、多项选择题（共15题，每题2分，共30分。多选、错选不得分，少选得1分）1.现阶段弱人工智能的核心特点包含（）。2.属于无监督学习典型应用场景的有（）。3.有效优化模型欠拟合的技术手段有（）。4.深度学习中引发梯度爆炸的主要原因有（）。5.卷积神经网络相较于全连接网络的核心优势有（）。6.数据层面抑制模型过拟合的常用方法有（）。7.大模型原生存在的能力缺陷包含（）。8.深度学习主流参数优化器包含（）。9.强化学习核心四要素包含（）。10.图像数据标准化预处理操作包含（）。11.影响模型泛化能力的核心因素包含（）。12.大模型落地优化的核心技术包含（）。13.AI模型轻量化的常用实现方式有（）。14.高质量AI训练数据集的必备条件包含（）。15.人工智能合规落地的伦理规范包含（）。三、判断题（共20题，每题1分，共20分。对的打√，错的打×）1.连接主义AI核心依托海量数据与神经网络拟合规律。2.数据集划分后，训练集、验证集、测试集可交叉使用。3.分类任务输出离散类别，回归任务输出连续数值。4.DBSCAN聚类算法无需人工预设聚类中心数量。5.ReLU激活函数可有效缓解梯度消失问题。6.过拟合是模型复杂度过低、拟合能力不足导致的。7.平均池化适合图像细节保留、目标检测场景。8.Dropout仅在模型训练阶段生效，推理阶段不生效。9.Transformer依靠自注意力实现序列并行训练。10.批量归一化可以加速模型收敛、稳定训练过程。11.L1正则化可实现特征稀疏化与自动特征筛选。12.样本不均衡会导致模型偏向多数类，降低泛化能力。13.精准率越高，模型误检样本数量越少。14.早停策略是抑制模型过拟合的有效训练手段。15.RAG技术可以显著降低大模型知识幻觉问题。16.LoRA微调算力消耗低，适合轻量化微调场景。17.知识蒸馏可实现大模型能力向轻量化小模型迁移。18.云端AI部署适合低延迟、高实时性的终端场景。19.GRU模型训练速度优于LSTM模型。20.测试集仅用于最终评估，严禁参与训练与调参。四、简答题（共4题，每题5分，共20分）1.简述数据集三划分（训练集、验证集、测试集）的核心作用与划分原则。2.简述CNN卷积层、池化层、全连接层的协同工作流程。3.简述大模型预训练、SFT、RLHF、RAG的层级关系与落地价值。4.简述模型过拟合的成因、危害，分别从数据、模型、训练层面给出优化方案。第二部分参考答案及解析一、单项选择题答案及解析1.【答案】连接主义

【解析】人工智能三大流派中，连接主义依托神经网络结构、海量数据拟合训练实现智能，是当前深度学习主流流派。2.【答案】测试集

【解析】测试集全程隔离，不参与训练、调参，是唯一可客观评估模型真实泛化能力的数据集。3.【答案】文本分类任务

【解析】情感分析是典型的离散类别判定，属于监督学习中的文本分类任务。4.【答案】DBSCAN

【解析】DBSCAN基于数据密度聚类，无需预设聚类数量，适配不规则、非球状、密度不均的数据。5.【答案】数据归一化/标准化

【解析】归一化可统一不同特征的量纲与数值区间，消除数值差异干扰，加速模型收敛。6.【答案】状态与动作

【解析】智能体感知环境状态、执行动作、获取奖励，完成与环境的完整交互闭环。7.【答案】偏置

【解析】权重负责特征加权融合，偏置负责数据偏移修正，共同提升模型拟合能力。8.【答案】ReLU

【解析】ReLU无梯度饱和问题，计算简单、非线性能力强，是深度学习基础激活函数。9.【答案】迭代轮数（Epoch）

【解析】Epoch代表完整遍历全部训练样本的轮数，是控制训练周期的核心超参数。10.【答案】欠拟合

【解析】欠拟合核心特征：模型复杂度不足，无法学习数据核心规律，训练、测试精度均偏低。11.【答案】残差连接

【解析】残差短路连接可跳过部分网络层，缓解深层网络梯度消失，解决模型性能退化问题。12.【答案】权值共享

【解析】权值共享让同一卷积核参数适配整张特征图，大幅降低CNN参数量与计算量。13.【答案】平均池化

【解析】平均池化擅长全局特征平滑融合，弱化局部噪声，适配语义分割、特征融合场景。14.【答案】Dropout

【解析】训练阶段随机关闭部分神经元，打破神经元依赖关系，有效抑制过拟合。15.【答案】长序列依赖遗忘、梯度消失严重

【解析】传统RNN无法有效捕捉长距离时序依赖，深层训练易出现梯度消失问题。16.【答案】去停用词

【解析】停用词无实际语义，去除停用词可精简文本特征、降低计算冗余、提升模型精度。17.【答案】Skip-Gram

【解析】Skip-Gram以中心词预测上下文，小样本适配性更强，词向量表征精度更高。18.【答案】高维稀疏、无语义关联、维度爆炸

【解析】独热编码无法表征词语相似度与语义关系，维度极高，不适用复杂NLP任务。19.【答案】编码器

【解析】Transformer编码器负责全局语义特征提取与理解，解码器负责文本序列生成。20.【答案】对齐人类偏好，优化输出合规性与实用性

【解析】RLHF依托人类反馈数据优化模型输出，修正价值观、降低有害内容、提升对话质量。21.【答案】学习率过小

【解析】学习率过小，参数更新步长极慢，模型收敛速度慢，长期无法达到最优精度。22.【答案】L2正则化

【解析】L2正则通过权重衰减平滑参数分布，仅抑制过拟合，不具备特征筛选功能。23.【答案】超参数

【解析】学习率、批次大小、迭代轮数等均为人工预设超参数，模型无法自主更新。24.【答案】mAP

【解析】mAP为所有类别AP的平均值，是目标检测模型多类别综合性能的核心指标。25.【答案】精准率

【解析】精准率代表预测正样本中真实正样本占比，误检越多，精准率越低。26.【答案】F1分数

【解析】F1分数是精准率与召回率的调和平均数，可综合、客观评价分类模型整体性能。27.【答案】算法偏见、人群歧视、结果不公平

【解析】AI公平性要求模型输出无性别、地域、职业偏见，保障各类用户平等使用权益。28.【答案】RAG检索增强生成

【解析】RAG外接实时知识库，无需重训模型，解决大模型知识老旧、信息滞后、幻觉严重问题。29.【答案】LoRA

【解析】LoRA冻结主干模型，仅微调少量增量参数，算力消耗极低，是主流高效微调方案。30.【答案】教师模型

【解析】知识蒸馏中，高精度大模型为教师模型，负责输出知识，轻量化小模型为学生模型。二、多项选择题答案及解析1.【答案】无自主意识、单任务专用、依赖数据训练、无通用推理能力

【解析】弱人工智能为专用智能，仅能完成预设垂直任务，不具备通用智能与自我意识。2.【答案】用户聚类、异常检测、数据降维、商品分层、特征挖掘

【解析】无监督学习无需标注数据，依靠数据自主分布规律完成任务，以上均为典型场景。3.【答案】提升模型复杂度、扩充训练数据、优化特征维度、增大迭代次数

【解析】欠拟合源于模型能力不足，需从模型、数据、训练三方面提升拟合能力。4.【答案】权重初始化过大、学习率过高、深层网络堆叠、梯度累积过量

【解析】以上因素会导致反向传播梯度持续放大，引发梯度爆炸，训练失效。5.【答案】权值共享、局部感知、参数量少、计算高效、自动特征提取

【解析】CNN天然适配图像数据，无需人工特征工程，算力与精度均优于全连接网络。6.【答案】样本扩充、图像增广、文本降噪、样本均衡、清洗噪声数据

【解析】丰富数据多样性、优化数据质量，可从根源降低模型过拟合概率。7.【答案】知识幻觉、知识滞后、逻辑错误、输出偏见、上下文错位

【解析】原生预训练大模型普遍存在以上缺陷，需通过微调、RAG、对齐优化完善。8.【答案】Adam、SGD、RMSprop、Adagrad

【解析】以上为深度学习工业界主流优化器，用于更新参数、最小化损失函数。9.【答案】智能体、环境、动作、奖励

【解析】四大要素构成强化学习交互闭环，支撑智能体持续试错、策略迭代优化。10.【答案】缩放裁剪、随机翻转、色域归一化、降噪、尺寸统一

【解析】标准化图像预处理可规范数据格式、丰富样本、提升模型泛化能力。11.【答案】数据质量、样本数量、模型结构、超参数、训练策略

【解析】数据、模型、训练三大维度共同决定模型泛化能力与落地效果。12.【答案】SFT微调、RLHF对齐、RAG检索增强、轻量化部署

【解析】多技术协同，分别解决业务适配、输出合规、知识更新、落地部署问题。13.【答案】知识蒸馏、模型量化、参数剪枝、LoRA微调

【解析】主流轻量化技术可压缩模型、降低算力、提升推理速度，适配端侧部署。14.【答案】标注准确、样本充足、分布均衡、低噪声、无数据泄露

【解析】高质量数据集是模型高精度、强泛化、稳定训练的核心基础。15.【答案】隐私保护、数据脱敏、算法公平、可解释、输出可控

【解析】商用AI必须遵守安全、合规、公平、透明、可控的伦理规范。三、判断题答案及解析1.【答案】√

【解析】连接主义核心依托神经网络结构，通过海量数据迭代训练拟合数据规律，是深度学习核心流派。2.【答案】×

【解析】训练集、验证集、测试集必须完全互斥，严禁交叉复用，避免数据泄露、评估失真。3.【答案】√

【解析】分类任务预测离散类别标签，回归任务预测连续数值，二者任务属性明确。4.【答案】√

【解析】DBSCAN基于密度聚类，无需人工预设聚类数量，区别于K-Means算法。5.【答案】√

【解析】ReLU激活函数有效缓解深层网络梯度消失问题，是主流激活函数。6.【答案】×

【解析】过拟合是模型复杂度过高、过度学习噪声导致；欠拟合为复杂度过低导致。7.【答案】×

【解析】最大池化保留细节纹理，适配目标检测；平均池化适配分割与特征融合。8.【答案】√

【解析】Dropout仅训练阶段随机失活神经元，推理阶段所有神经元正常工作，保证推理精度。9.【答案】√

【解析】Transformer摒弃RNN串行结构，依靠自注意力实现全局并行训练，效率大幅提升。10.【答案】√

【解析】批量归一化统一数据分布、缓解协变量偏移，有效稳定训练、加速收敛。11.【答案】√

【解析】L1正则可归零无效权重，生成稀疏矩阵，实现自动特征筛选与降维。12.【答案】√

【解析】样本不均衡会让模型偏向多数类样本，弱化少数类学习，降低整体泛化能力。13.【答案】√

【解析】精准率衡量预测正确率，数值越高，误检样本数量越少。14.【答案】√

【解析】早停在验证集精度最优时终止训练，避免过度拟合训练集噪声。15.【答案】√

【解析】RAG依托真实外部知识库生成内容，大幅降低大模型凭空捏造的幻觉问题。16.【答案】√

【解析】LoRA仅微调少量增量参数，算力消耗极低，适配轻量化微调场景。17.【答案】√

【解析】知识蒸馏实现师生模型知识迁移，让轻量化小模型具备高精度推理能力。18.【答案】×

【解析】云端部署延迟高，适合大规模训练；边缘部署低延迟，适配实时终端场景。19.【答案】√

【解析】GRU精简LSTM结构，参数量更少，训练与推理速度优于LSTM。20.【答案】√

【解析】测试集全程隔离，仅用于最终性能验收，严禁参与任何训练与调参操作。四、简答题参考答案（采分点版）1.【参考答案】

（1）划分原则：三类数据集样本随机划分、完全互斥、数据分布一致、无数据