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（十三）

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（十三）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.以人工逻辑规则、符号推理为核心的人工智能学派是（）。2.机器学习中，用于模型最终性能验收、绝对不可参与调参的数据集是（）。3.垃圾邮件识别、真假图片甄别属于（）机器学习任务。4.无需人工标注、依靠数据密度自动聚类的算法是（）。5.机器学习中，用于降低特征维度、剔除冗余信息的无监督算法是（）。6.强化学习中智能体与外界交互的载体是（）。7.神经网络训练中，可自动更新、属于模型固有参数的是（）。8.常用于二分类输出层、输出区间为(0,1)的激活函数是（）。9.用于控制单次训练样本数量的超参数是（）。10.模型训练过度学习训练集噪声、泛化能力骤降的现象是（）。11.ResNet网络解决深层网络训练难题的核心结构是（）。12.卷积神经网络专属、可大幅减少参数量的核心特性是（）。13.卷积神经网络中，专门用于压缩特征图尺寸、降低计算量的操作是（）。14.图像分类任务中，用于保留边缘纹理特征的池化方式是（）。15.神经网络BN层的核心作用是（）。16.传统RNN的致命缺陷是（）。17.NLP中CBOW模型的训练逻辑是（）。18.独热编码在NLP任务中的最大缺陷是（）。19.Transformer模型完全摒弃的传统时序结构是（）。20.大模型微调中SFT的核心训练数据类型是（）。21.模型训练、测试精度均偏低的核心问题是（）。22.可实现特征自动筛选、生成稀疏权重的正则化是（）。23.模型训练前手动设置、不可自动更新的参数统称为（）。24.目标检测中衡量预测框定位精准度的核心指标是（）。25.模型漏检严重主要影响的评估指标是（）。26.兼顾精准率和召回率的综合评价指标是（）。27.AI伦理中可解释性原则的核心意义是（）。28.大模型解决知识滞后、实时问答的核心技术是（）。29.仅微调少量参数、低成本适配垂直场景的大模型技术是（）。30.知识蒸馏中，提供优质知识的大型模型被称为（）。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.人工智能核心三要素包含（）。2.属于监督学习典型任务的有（）。3.能够有效提升模型收敛速度的手段有（）。4.导致深度学习梯度消失的原因包含（）。5.卷积神经网络的核心优势包含（）。6.常用的模型防过拟合策略有（）。7.自然语言处理基础核心任务包含（）。8.大模型产生知识幻觉的主要原因有（）。9.属于强化学习落地场景的有（）。10.数据集预处理的核心操作包含（）。11.模型欠拟合的有效优化方式有（）。12.大模型对齐训练的核心技术包含（）。13.AI模型轻量化的常用方法有（）。14.深度学习主流优化器包含（）。15.AI数据合规与安全规范包含（）。三、判断题（共20题，每题1分，共20分。对的打√，错的打×）1.联结主义人工智能以神经网络、深度学习为核心技术体系。2.无监督学习无需人工标注数据，依靠数据分布自主学习规律。3.验证集可以用于模型权重参数的迭代更新训练。4.K-Means聚类算法无需人工设置参数，可自动完成聚类。5.ReLU激活函数有效缓解深层网络梯度消失问题。6.模型训练损失越低，模型泛化能力一定越强。7.LSTM相较于GRU结构更复杂，参数量更多。8.词向量可以有效表征词语之间的语义关联与相似度。9.Transformer编码器主要用于文本生成任务。10.学习率过大会导致模型训练震荡、无法收敛。11.L2正则化主要用于权重衰减，无特征稀疏效果。12.数据增强可以丰富样本多样性，提升模型泛化能力。13.召回率越高，模型漏检的真实样本数量越少。14.早停策略是抑制模型过拟合的有效训练手段。15.RAG技术可接入外部知识库，弥补大模型知识滞后缺陷。16.知识蒸馏可让小型模型获得接近大模型的推理精度。17.云端部署适合大规模模型训练，算力资源充足可扩容。18.边缘AI部署延迟低、隐私性好，适合终端实时推理。19.LoRA微调需要训练模型全部参数，算力消耗极大。20.批量归一化可以缓解协变量偏移，稳定模型训练。四、简答题（共4题，每题5分，共20分）1.简述过拟合的定义、核心表现以及三维优化解决方案。2.简述卷积神经网络中最大池化与平均池化的区别与适用场景。3.简述大模型预训练、SFT微调、RLHF对齐的层级关系与核心作用。4.简述训练集、验证集、测试集的划分规范与核心用途区别。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】符号主义

【解析】符号主义依靠人工定义逻辑规则、符号推演实现智能决策，是早期人工智能核心学派。2.【答案】测试集

【解析】测试集全程隔离，不参与训练、调参，仅用于模型最终落地性能验收评估。3.【答案】二分类任务

【解析】仅包含正反两类判定，属于监督学习经典二分类应用场景。4.【答案】DBSCAN

【解析】DBSCAN基于数据密度聚类，无需预设聚类数量，适配不规则样本分布。5.【答案】PCA主成分分析

【解析】PCA是经典无监督降维算法，可压缩特征维度、去除冗余与噪声特征。6.【答案】环境

【解析】强化学习四要素中，环境是智能体交互、接收动作反馈、产生奖励的外部载体。7.【答案】权重、偏置

【解析】权重和偏置为模型可学习参数，随训练迭代自动更新，属于模型固有参数。8.【答案】Sigmoid

【解析】Sigmoid输出区间固定在(0,1)，适合二分类概率输出、特征归一化场景。9.【答案】BatchSize

【解析】BatchSize为批次大小，定义单次送入模型训练的样本数量，属于核心超参数。10.【答案】过拟合

【解析】过拟合指模型过度拟合训练集噪声与细节，陌生数据推理能力大幅下降。11.【答案】残差短路连接

【解析】ResNet通过残差连接跳过部分网络层，彻底解决深层网络梯度消失与性能退化问题。12.【答案】权值共享

【解析】权值共享让卷积核参数全局复用，极大降低CNN参数量与计算开销。13.【答案】池化下采样

【解析】池化操作压缩特征图宽高尺寸，减少冗余特征，降低后续计算量。14.【答案】最大池化

【解析】最大池化保留局部最优纹理、边缘特征，抑制噪声，是图像分类首选方式。15.【答案】归一化数据分布、加速收敛、稳定训练

【解析】BN层统一网络层输入数据分布，缓解协变量偏移，避免梯度震荡。16.【答案】长序列信息遗忘、梯度消失

【解析】基础RNN无法捕捉长距离时序依赖，存在严重的长序列记忆丢失问题。17.【答案】通过上下文词汇预测中心词

【解析】CBOW依托上下文预测中心词，适配大语料训练；Skip-Gram依托中心词预测上下文。18.【答案】高维稀疏、无语义关联、无法表征词汇相似度

【解析】独热编码仅能标识词汇类别，无语义信息，维度极高且极度稀疏。19.【答案】RNN循环递归结构

【解析】Transformer摒弃串行循环结构，依靠自注意力实现全局并行计算，效率大幅提升。20.【答案】人工标注业务数据

【解析】SFT监督微调依托高质量标注数据，让通用模型适配具体业务任务。21.【答案】欠拟合

【解析】欠拟合核心特征：模型拟合能力不足，训练集与测试集精度整体偏低。22.【答案】L1正则化

【解析】L1正则可归零无效权重，实现特征稀疏化，兼具特征筛选功能。23.【答案】超参数

【解析】学习率、批次大小、迭代次数等均为超参数，人工预设、模型不可自学。24.【答案】IOU交并比

【解析】IOU计算预测框与真实框重合度，是目标检测定位精度的基础指标。25.【答案】召回率

【解析】召回率衡量正样本检出覆盖率，漏检越多，召回率数值越低。26.【答案】F1分数

【解析】F1值为精准率与召回率调和平均数，可综合评价分类模型性能。27.【答案】规避黑盒风险、决策可追溯、结果可解释

【解析】可解释性是AI合规核心要求，保障模型决策透明、可控、可溯源。28.【答案】RAG检索增强生成

【解析】RAG实时检索外部知识库，解决大模型预训练知识滞后、幻觉问题。29.【答案】LoRA微调

【解析】LoRA冻结主干模型，仅训练少量增量参数，低成本实现垂直场景适配。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，轻量化学习模型为学生模型。二、多项选择题答案及解析1.【答案】数据、算法、算力

【解析】数据为训练原料，算法为核心逻辑，算力为硬件支撑，是AI落地必备三要素。2.【答案】图像分类、文本情感判别、房价预测、故障分类、销量回归

【解析】监督学习依托标注数据，包含分类、回归两大类主流落地任务。3.【答案】批量归一化、优化学习率、选用Adam优化器、权重初始化优化

【解析】以上手段可稳定梯度更新、减少震荡，大幅提升模型收敛效率。4.【答案】网络层数过深、Sigmoid/Tanh饱和激活、权重初始化过小、序列过长

【解析】多重因素会导致反向传播梯度逐层衰减，引发梯度消失问题。5.【答案】局部感知、权值共享、下采样降参、自动特征提取、抗干扰性强

【解析】CNN独有特性适配图像数据，计算高效、泛化能力优于全连接网络。6.【答案】L1/L2正则、Dropout、数据增强、早停、样本均衡

【解析】从数据、模型、训练多维度抑制模型过拟合，提升泛化能力。7.【答案】分词、词性标注、命名实体识别、去停用词、文本降噪

【解析】以上为NLP基础预处理与基础任务，支撑高阶文本生成、翻译任务。8.【答案】预训练知识滞后、上下文理解偏差、知识库覆盖不全、提示词不规范

【解析】内外因素共同导致大模型生成无依据、虚假内容，即知识幻觉。9.【答案】机器人控制、游戏博弈、自动驾驶决策、资源动态调度

【解析】强化学习适配动态交互、试错优化、持续迭代决策的场景。10.【答案】缺失值填充、异常值剔除、数据归一化、降噪、样本均衡

【解析】完整数据预处理流程，保障数据质量，为模型稳定训练奠基。11.【答案】增加模型复杂度、扩充训练数据、优化特征、提升迭代次数

【解析】欠拟合源于模型学习能力不足，需增强模型拟合能力与数据支撑。12.【答案】SFT监督微调、RLHF人类反馈对齐、RLA智能对齐

【解析】主流对齐技术层层优化模型输出，让模型适配人类认知与价值观。13.【答案】知识蒸馏、模型量化、参数剪枝、LoRA轻量化微调

【解析】工业界主流轻量化方案，实现模型压缩、提速、降耗、端侧适配。14.【答案】Adam、SGD、RMSprop、Adagrad

【解析】以上优化器用于梯度更新与损失函数优化，适配不同训练场景。15.【答案】数据脱敏、合规采集、隐私加密、最小必要使用、可追溯存储

【解析】AI数据处理需遵守合规安全准则，杜绝泄露、滥用、非法商用。三、判断题答案及解析1.【答案】√

【解析】联结主义以神经网络、深度学习、大数据拟合为核心技术体系，是当前主流AI技术。2.【答案】√

【解析】无监督学习无需人工标注，依靠数据分布、相似度、密度自主挖掘潜在规律。3.【答案】×

【解析】验证集仅用于调参、评估，禁止参与权重更新，否则会造成数据泄露。4.【答案】×

【解析】K-Means必须人工预设聚类数量K，无法自动识别最优聚类个数。5.【答案】√

【解析】ReLU非饱和激活特性，有效缓解深层网络梯度消失问题。6.【答案】×

【解析】训练损失过低可能是过拟合导致，无法代表模型真实泛化能力。7.【答案】√

【解析】LSTM包含三门结构，GRU精简为两门，LSTM参数量更大、结构更复杂。8.【答案】√

【解析】语义相近的词语词向量空间距离更近，可精准表征语义关联。9.【答案】×

【解析】Transformer编码器负责特征提取、语义理解，解码器负责文本序列生成。10.【答案】√

【解析】学习率过大，参数更新步长超标，梯度持续震荡，模型无法收敛。11.【答案】√

【解析】L2正则仅做权重衰减，平滑模型参数，不产生稀疏特征、不筛选特征。12.【答案】√

【解析】数据增强扩充样本多样性，打破数据单一性，有效提升泛化能力。13.【答案】√

【解析】召回率代表正样本检出比例，数值越高，漏检样本数量越少。14.【答案】√

【解析】早停在验证集性能最优时终止迭代，避免过度训练，有效抑制过拟合。15.【答案】√

【解析】RAG外接实时知识库，无需重训模型，可更新知识、解决滞后问题。16.【答案】√

【解析】知识蒸馏通过师生迁移学习，让轻量化小模型实现高精度推理。17.【答案】√

【解析】云端算力充足、可弹性扩容，适配大模型大规模、高负载训练任务。18.【答案】√

【解析】边缘本地推理无需网络传输，延迟低、数据不上传，隐私安全性更高。19.【答案】×

【解析】LoRA仅训练少量增量参数，冻结主干模型，算力消耗极低。20.【答案】√

【解析】批量归一化统一层间数据分布，缓解协变量偏移，稳定训练、加速收敛。四、简答题参考答案（采分点版）1.【参考答案】

（1）定义：模型过度学习训练集细节与噪声，记忆性过强，无法适配未知真实数据的现象。

（2）核心表现：训练集精度极高、损失极低，测试集与真实场景精度差、泛化能力弱。

（3）三维优化方案：

数据层面：