2026人工智能工程师笔试题目及答案

2026人工智能工程师笔试题目及答案一、单项选择题（每题2分，共30分）1.在机器学习中，下列哪种方法最适合处理类别不平衡问题？A.增加模型复杂度B.使用SMOTE算法进行过采样C.减少训练轮数D.增大学习率答案：B解析：SMOTE（合成少数类过采样技术）通过在少数类样本之间插值生成新样本，可有效缓解类别不平衡。增加模型复杂度或增大学习率会加剧过拟合或导致训练不稳定。2.下列哪种网络结构最有效地缓解了深层网络中的梯度消失问题？A.全连接网络B.残差网络（ResNet）C.感知机D.不含激活函数的网络答案：B解析：ResNet的跳跃连接（shortcutconnection）提供恒等映射路径，使梯度能够直接回传，从而缓解梯度消失。3.Transformer模型中自注意力机制的时间复杂度为？A.OB.OC.OD.O答案：C解析：自注意力需计算序列长度为n的n×n注意力矩阵，因此时间复杂度为4.下列哪个激活函数通常被用于多分类任务的输出层？A.ReLUB.SigmoidC.SoftmaxD.Tanh答案：C解析：Softmax将logits转换为各类概率之和为1的概率分布，适用于多分类；Sigmoid常用于二分类输出层。5.二分类模型在测试集上精确率（Precision）为0.8，召回率（Recall）为0.6，则F1分数约为？A.0.68B.0.69C.0.70D.0.72答案：B解析：F16.在PyTorch中，下列哪个方法可以在推理时停止梯度跟踪以节省显存？A.model.eval()B.torch.no_grad()C.optimizer.zero_grad()D.model.train()答案：B解析：torch.no_grad()上下文管理器禁止自动求导与计算图构建，推理时常用其减少显存占用与加速计算。7.下列哪种损失函数最常用于回归任务？A.交叉熵损失B.均方误差损失（MSE）C.Hinge损失D.对比损失答案：B8.K-means聚类算法中，簇中心的更新方式是？A.随机选取新中心B.计算簇内所有样本的均值作为新中心C.取簇内样本的中位数D.取簇内距离最远的点答案：B9.输入图像尺寸为32×32，卷积核为A.15B.16C.17D.31答案：B解析：输出尺寸=⌊(3210.在大模型训练中，下列哪种技术通过使用低精度数值格式显著降低显存占用？A.数据增强B.混合精度训练C.DropoutD.批归一化答案：B解析：混合精度训练使用FP16或BF16存储参数、梯度与激活值，并配合损失缩放保证精度，可显著减少显存占用并加速训练。11.贝叶斯分类器最终选择样本所属类别的依据是？A.似然最大的类别B.先验概率最大的类别C.后验概率最大的类别D.联合概率最小的类别答案：C解析：贝叶斯分类器依据最大后验概率准则，即选取使P(12.与L2正则化相比，L1正则化的显著特点是？A.不能防止过拟合B.能够产生稀疏解C.计算复杂度更高D.只能用于分类问题答案：B解析：L1正则化在零点不可导，训练时会将大量权重推向0，从而得到稀疏模型，常用于特征选择。13.下列哪个指标不适用于评估推荐系统？A.精确率B.召回率C.归一化折损累计增益（NDCG）D.困惑度（Perplexity）答案：D解析：困惑度是语言模型的评估指标。推荐系统通常使用Precision@K、Recall@K、NDCG、MRR等指标。14.在迁移学习中，通常如何处理预训练模型？A.随机初始化所有层B.保留浅层通用特征，微调高层或分类头C.丢弃全部预训练参数D.只保留最后一层的参数答案：B解析：预训练模型浅层学习通用特征，深层偏向任务特定特征，因此常见做法是冻结浅层、微调深层与新增分类头。15.关于大语言模型产生"幻觉"问题，最常见的原因是？A.训练数据过于庞大B.模型倾向于生成流畅但不符合事实的内容C.推理速度过慢D.上下文窗口设置过长答案：B二、多项选择题（每题2分，共20分）1.下列哪些属于监督学习算法？A.线性回归B.决策树C.K-meansD.支持向量机E.关联规则答案：ABD解析：线性回归、决策树、支持向量机需要带标签数据训练，属于监督学习。K-means与关联规则分别属于聚类和关联分析，为无监督学习。2.防止过拟合的常用方法有？A.DropoutB.早停法C.数据增强D.正则化E.增加网络深度答案：ABCD解析：增加网络深度会提高模型容量，通常加剧过拟合而不是缓解。A、B、C、D均能提升泛化能力。3.下列哪些属于自然语言处理中的分布式表示（嵌入）方法？A.Word2VecB.GloVeC.BERT的TokenEmbeddingD.卷积核E.ResNet残差块答案：ABC解析：Word2Vec与GloVe是经典静态词向量，BERT的TokenEmbedding是动态上下文嵌入，均属于分布式表示。卷积核与残差块属于图像或网络结构组件。4.关于注意力机制，下列说法正确的有？A.注意力机制的输出是Value的加权求和B.注意力权重由Query与Key计算得到C.自注意力中Query、Key、Value来自同一输入D.多头注意力会将多个头的输出拼接后进行线性投影E.注意力机制的复杂度与序列长度无关答案：ABCD解析：注意力权重α=softmax(QK5.下列哪些属于模型压缩技术？A.知识蒸馏B.权重量化C.剪枝D.低秩分解E.批归一化答案：ABCD解析：知识蒸馏、量化、剪枝、低秩分解均为常见模型压缩手段。批归一化是加速训练收敛的规范化技术，不压缩模型。6.下列哪些是强化学习中的核心要素？A.智能体（Agent）B.环境（Environment）C.状态（State）D.奖励（Reward）E.标签（Label）答案：ABCD解析：强化学习通过智能体与环境交互获取状态与奖励来学习策略，不依赖人工标签。监督学习依赖标签，故E错误。7.关于批归一化（BatchNormalization），下列说法正确的有？A.训练时使用当前batch的均值与方差归一化B.推理时使用训练期间统计量的指数滑动平均C.可以缓解内部协变量偏移，加速训练D.可以完全替代Dropout，且任何情况下效果更优E.当batchsize过小时，统计量估计不稳定，效果可能变差答案：ABCE解析：训练时按batch统计归一化，推理时采用全局统计量。它能在一定程度上减少对Dropout的依赖，但不能完全替代，且在小batch场景下噪声较大，故D错误。8.下列哪些任务适合使用卷积神经网络（CNN）处理？A.图像分类B.目标检测C.图像分割D.文本词频统计E.语音识别答案：ABCE解析：CNN通过局部感受野与权值共享，擅长提取空间结构特征，广泛应用于图像与语音任务。文本词频统计为传统统计方法，一般不使用CNN。9.关于梯度下降优化器，下列说法正确的有？A.SGD可能陷入局部最优B.Momentum通过累积历史梯度加速收敛C.Adam同时结合了一阶动量与二阶动量D.学习率过大会导致训练发散E.学习率衰减有助于训练后期稳定收敛答案：ABCDE10.下列哪些是评估生成式大语言模型常用的指标？A.BLEUB.ROUGEC.困惑度（Perplexity）D.AccuracyE.METEOR答案：ABCE解析：BLEU、ROUGE、METEOR用于评估生成文本与参考文本的相似度，Perplexity用于衡量语言模型的概率建模能力。Accuracy是分类任务的指标，不适用于生成式评估。三、判断题（每题1分，共10分）1.数据预处理步骤越多、越复杂，模型效果一定越好。答案：错误2.SVM中核技巧的核心思想是将低维空间的数据映射到高维空间，使其尽可能线性可分。答案：正确3.随机森林中的每棵树是独立训练、可以并行构建的。答案：正确解析：每棵树基于有放回抽样与随机特征选择独立训练，树间差异来自数据扰动与特征扰动，可并行构建。4.过拟合的表现是模型在训练集上表现很差，而在测试集上表现很好。答案：错误解析：过拟合是指模型在训练集上表现优异，但在测试集（新数据）上泛化表现差。5.强化学习中的折扣因子γ越接近0，智能体越关注长期收益。答案：错误解析：γ越接近1，未来奖励的折损越小，智能体越关注长期收益；γ越接近0，智能体越短视。6.Transformer中的位置编码（PositionalEncoding）用于为模型提供token的顺序信息。答案：正确7.K折交叉验证可以用于评估模型的泛化能力。答案：正确8.模型的参数越多，其表达能力和泛化能力一定越强。答案：错误解析：参数更多意味着容量更大、表达能力更强，但在数据有限时更容易过拟合，泛化能力不一定更强。9.检索增强生成（RAG）技术可以有效缓解大语言模型的幻觉问题。答案：正确10.在迁移学习中，可以冻结预训练模型的全部权重，只训练新增的分类头。答案：正确四、简答题（每题5分，共20分）1.简述损失函数与评价指标的区别与联系。答案：损失函数在训练阶段使用，用于度量预测与真实标签的差距，指导模型参数更新，因此必须可微；评价指标用于评估模型在测试集上的最终性能，无需可微。两者可以一致（如回归中均使用MSE），也可以不同（如训练用交叉熵损失，评估用准确率、F1等）。评价指标更贴近业务目标，而损失函数更注重优化可行性，二者均为衡量模型质量的重要工具。2.简述过拟合产生的根本原因，并列举两类常见缓解策略。答案：过拟合的根本原因是模型容量过大或训练数据不足，使模型"记住"了训练集中的噪声与细节，而非学习到泛化规律。常见缓解策略：(1)数据层面：收集更多数据、数据增强、生成合成样本；(2)模型与训练层面：降低模型复杂度、加入正则化（L1/L2）、使用Dropout、早停法、集成学习等。3.写出二分类与多分类交叉熵损失函数的公式，并说明二者之间的关系。答案：二分类交叉熵损失为L多分类交叉熵损失为L当K=2时，多分类形式可退化为二分类形式：由于4.简述Transformer编码器的基本结构组成。答案：Transformer编码器由多层相同模块堆叠而成，每层包含：(1)多头自注意力子层，捕捉token之间的依赖关系；(2)前馈神经网络子层，对每个token独立进行非线性变换；每个子层之后均使用残差连接与层归一化。输入序列先经过嵌入层与位置编码，再送入模块堆叠的编码器，最终输出包含上下文信息的向量表示。五、综合应用题（每题10分，共20分）1.某电商平台需要构建一个用户购买意愿预测模型。数据集共10万条样本，其中产生购买行为的用户仅占5%，特征包括用户年龄、浏览时长、加购次数等。请回答：(1)若直接使用准确率（Accuracy）作为唯一评估指标，会存在什么问题？应选择哪些更合适的评估指标？(2)给出从数据预处理到模型上线的完整建模流程。(3)若采用SMOTE对少数类过采样，有哪些需要注意的风险？答案：(1)由于正样本仅占5%，模型即使将所有样本预测为负类，准确率也能达到95%，导致准确率失去评估意义。应重点关注少数类的评估指标，如精确率（Precision）、召回率（Recall）、F1分数、AUC-ROC以及PR-AUC等，并结合业务场景权衡精确率与召回率（如营销场景更关注精确率，风控场景更关注召回率）。(2)完整流程为：①数据清洗：处理缺失值、异常值与重复样本；②特征工程：类别特征编码、数值特征标准化、构造组合特征（如加购率、最近浏览间隔）；③划分数据集：按分层抽样划分训练集、验证集与测试集，保持各类别比例一致；④处理不平衡：采用过采样、欠采样或调整类别权重；⑤模型选择与训练：在逻辑回归、XGBoost、LightGBM等候选模型中进行训练；⑥超参数调优：使用交叉验证结合网格搜索或贝叶斯优化；⑦模型评估：在测试集上计算F1、AUC等多个指标并对比；⑧模型上线与监控：部署后进行A/B测试，持续监控线上指标与数据分布漂移，定期重训。(3)SMOTE的风险包括：①只允许对训练集过采样，验证集与测试集必须保持原始分布，否则评估结果会过于乐观；②插值可能生成与真实分布不符的噪声样本，加剧过拟合；③在高维稀疏数据（如大规模离散特征）上，样本间欧氏距离无意义，SMOTE效果显著下降；④可能放大类别重叠区域的噪声，建议结合TomekLinks等欠采样方法进行数据清洗。解析：本题综合考查不平衡学习、建模流程与数据增强方法。答题时应先指出准确率的失效原因，再按"数据—特征—模型—评估—上线"的逻辑组织流程，最后结合SMOTE的插值原理分析其局限。2.某公司计划基于开源大语言模型构建智能客服系统，采用RAG（检索增强生成）架构，要求回答可溯源且端到端延迟小于2秒。请回答：(1)用文字描述RAG架构的基本处理流程。(2)知识库中的文档应如何进行切分与向量化？(3)若用户提问后检索结果质量较差，应从哪些方面进行排查与优化？(4)设计该系统的离线与在线评估方案。答案：(1)流程为：用户输入query→使用嵌入模型将query编码为查询向量→在向量数据库中检索与query最相似的top-k个文档片段→将检索结果与原始query按prompt模板拼接→大语言模型基于检索上下文生成回答，并在回答中标注引用来源，便于用户溯源与校验。(2)切分方面：以语义完整性为原则按段落或章节切分，设置适当的重叠窗口避免语义断裂；chunk大小需与嵌入模型的最大输入长度匹配，一般控制在300～500token。向量化方面：选择与领域文本匹配的嵌入模型（如bge-m3、text-embedding-v3）将每个ch