LMCC例题C

您的姓名：

一、单选题（20题 × 3分 = 60分）

1、关于模型泛化能力的理论保证，以下哪项描述最准确？

A、训练误差越小泛化能力一定越强B、模型复杂度与泛化能力呈正比关系C、充足的数据量与合适的模型复杂度有助于提升泛化能力D、测试集精度完全代表模型在实际应用中的表现

2、在以下场景中，哪项最适合应用提示学习方法？

A、需要从零开始训练一个全新的深度学习模型B、希望利用现有预训练模型完成特定文本分类任务C、处理大规模结构化数据的统计分析D、进行复杂的数学公式推导计算

3、在筛选高质量指令数据时，以下哪项标准最能有效识别低质量数据？

A、指令长度超过20个字符B、回答内容与指令语义不匹配C、使用英文书写的指令D、指令中包含数字符号

4、关于大语言模型的代表性模型，以下哪项描述最准确？

A、GPT、Llama等基于Transformer的预训练模型通常被视为大语言模型B、Transformer架构模型参数量必然很小，不可能成为大语言模型C、卷积神经网络是大语言模型的唯一形式D、线性回归模型由于结构简单，是大语言模型的典型代表

5、关于模型评测中的公平性问题，以下哪项描述最准确？

A、公平性仅涉及算法设计的数学公平B、评测数据集的选择不会影响公平性评估C、公平性要求模型在不同群体间表现一致D、公平性问题只存在于监督学习模型中

6、关于基于Transformer的三种主流模型架构（Encoder-only、Decoder-only、Encoder-Decoder），以下描述正确的是：

A、Encoder-Decoder架构仅适用于机器翻译任务B、Decoder-only架构通过因果掩码使每个位置只能关注自身及之前的内容C、Encoder-only架构不包含自注意力机制D、三种架构的参数量在相同任务下始终一致

7、关于批量大小（Batch Size）对模型训练的影响，以下说法错误的是：

A、较大的批量大小可以提高训练的并行效率B、较小的批量大小通常使梯度估计更加准确C、批量大小的选择需要在训练速度和模型性能之间权衡D、过大的批量大小可能导致模型泛化能力下降

8、指令微调（Instruction Tuning）的核心目标是：

A、从零开始训练一个全新的语言模型B、提高模型理解和遵循人类指令的能力C、减少模型的参数量以降低推理成本D、消除预训练数据中的所有偏见

9、在大语言模型的训练中，监督学习（Supervised Learning）的主要特征是什么？

A、使用未标记数据进行训练B、使用标记数据进行训练C、不需要训练数据D、仅使用测试数据进行学习

10、关于DeepSeek-R1的特点，以下哪项描述最准确？

A、DeepSeek-R1专注于强化推理能力，结合强化学习与思维链生成策略B、DeepSeek-R1是2010年发布的图像分类模型，仅支持离线部署C、DeepSeek-R1完全不开源，无法进行任何微调或评估D、DeepSeek-R1仅用于传统统计语言建模，未引入自注意力机制

11、以下哪一项是精确率（Precision）的计算公式？注：TP（True Positive，真阳性）、FP（False Positive，假阳性）、TN（True Negative，真阴性）、FN（False Negative，假阴性）。

A、TP / （TP + FP）B、TP / （TP + FN）C、（TP + TN） / （TP + TN + FP + FN）D、（TP + FP） / （TP + TN + FP + FN）

12、在预训练技术中，下一个词元预测任务（Next Token Prediction）主要基于以下哪种核心思想？

A、根据前文词元序列预测下一个可能出现的词元B、随机遮盖输入序列中的部分词元并进行重构C、同时预测输入序列中所有位置的词元D、将输入序列转换为图像特征进行识别

13、关于自注意力机制，以下哪项描述是正确的？

A、只能处理序列中的单个元素B、查询（Query）、键（Key）、值（Value）通常来自同一输入序列C、不需要计算注意力权重D、只能用于图像处理任务

14、关于大语言模型的优势与局限性，以下描述正确的是？

A、大语言模型在创造性任务上表现优异，但可能存在事实性错误B、大语言模型完全不会产生偏见内容C、大语言模型在所有任务上都优于人类专家D、大语言模型不需要大量训练数据即可达到最佳效果

15、关于大语言模型的训练流程，以下哪项分阶段描述最准确？

A、数据收集与预处理 → 大规模预训练 → 指令微调与对齐B、在线推理 → 实时部署 → 用户体验评估C、需求分析 → 产品设计 → 市场推广D、只进行一次预训练即可，无需其他阶段

16、除了无害性、有用性和诚实性，人类对齐还可能包含哪些重要标准？

A、语言表达的准确性和文化适应性B、符合特定社会背景下的道德规范C、尊重用户隐私和数据安全D、其它所有选项

17、下列哪个项是大语言模型产生偏见的主要来源？

A、训练数据中特定群体的样本数量不足B、模型算法的计算速度过快C、硬件设备的存储容量限制D、用户界面的设计不够美观

18、按照语言模型的发展历程，以下四代模型的正确时间顺序是：

A、统计语言模型 → 预训练语言模型 → 神经网络语言模型 → 大语言模型B、统计语言模型 → 神经网络语言模型 → 预训练语言模型 → 大语言模型C、神经网络语言模型 → 统计语言模型 → 预训练语言模型 → 大语言模型D、预训练语言模型 → 统计语言模型 → 神经网络语言模型 → 大语言模型

19、关于贪心搜索（Greedy Search）和束搜索（Beam Search）这两种解码策略，以下描述正确的是：

A、贪心搜索在每一步选择概率最高的词元，计算效率高但可能错过全局最优解B、束搜索的束宽（Beam Width）越大，生成结果一定越好C、贪心搜索等同于束宽为0的束搜索D、束搜索的计算复杂度与贪心搜索完全相同

20、关于过拟合（Overfitting）现象，以下描述正确的是？

A、模型在训练集和测试集上表现都很好B、模型过于简单，无法捕捉数据特征C、模型在训练集上表现很好，但在测试集上表现差D、模型参数数量过少导致性能下降

二、程序题（10题 × 4分 = 40分）

21、【编程题1·第[1]空】Qwen2.5-VL模型依赖自定义多模态处理逻辑，需启用remote code。请选择一种能正确加载该模型处理器的方式：

A、AutoProcessor.from_pretrained（model_name）B、AutoProcessor.from_pretrained（model_name, trust_remote_code=True）C、AutoTokenizer.from_pretrained（model_name, trust_remote_code=True）D、Qwen2_5_VLProcessor.from_pretrained（model_name）

22、【编程题1·第[2]空】输入图像应以PIL.Image对象的RGB格式提供给processor。请选择正确的实现方式：

A、Image.open（"image.jpg"）.convert（"RGB"）B、cv2.cvtColor（cv2.imread（"image.jpg"）, cv2.COLOR_BGR2RGB）C、np.array（Image.open（"image.jpg"）.convert（"RGB"））D、transforms.ToTensor（）（Image.open（"image.jpg"）.convert（"RGB"））

23、【编程题1·第[3]空】对于对话式多模态模型，需要使用chat template格式化输入。请选择正确的实现方式：

A、processor.format_messages（messages）B、processor.apply_chat_template（messages, tokenize=False, add_generation_prompt=True）C、processor.tokenize（messages, add_special_tokens=True）D、json.dumps（messages）

24、【编程题1·第[4]空】推理时应使用专用上下文管理器以禁用梯度计算并优化性能。请选择最适合推理的方式：

A、torch.enable_grad（False）B、torch.set_grad_enabled（False）C、torch.autograd.set_detect_anomaly（False）D、torch.inference_mode（）

25、【编程题1·第[5]空】模型输出包含输入和生成部分，需要提取仅新生成的token。请选择正确的实现方式：

A、output_ids[inputs['input_ids'].shape[0]:]B、output_ids.squeeze（）C、output_ids[:, inputs['input_ids'].shape[1]:]D、output_ids[:, -128:]

26、【编程题2·第[1]空】Qwen2.5模型需要加载支持自定义代码的分词器。请选择正确的加载方式：

A、AutoTokenizer.from_pretrained（model_name, trust_remote_code=True）B、AutoTokenizer.load（model_name）C、AutoProcessor.from_pretrained（model_name）D、AutoTokenizer（model_name）

27、【编程题2·第[2]空】为优化推理效率，需要自动分配GPU设备并使用半精度格式以节省显存。请选择正确的模型加载方式：

A、AutoModelForCausalLM.from_pretrained（model_name, device_map="auto", trust_remote_code=True）B、AutoModelForSeq2SeqLM.from_pretrained（model_name, device_map="auto", torch_dtype=torch.float16, trust_remote_code=True）C、AutoModelForCausalLM.load（model_name, device_map="auto", torch_dtype=torch.float16, trust_remote_code=True）D、AutoModelForCausalLM.from_pretrained（model_name, device_map="auto", torch_dtype=torch.float16, trust_remote_code=True）

28、【编程题2·第[3]空】推理前需要将模型移至目标设备并切换到评估模式以禁用Dropout等训练行为。请选择正确的实现方式：

A、model.train（）B、model.to（device）.eval（）C、model.cuda（）D、model.bfloat16（）

29、【编程题2·第[4]空】需要对logits应用温度缩放并通过softmax转换为概率分布以控制生成多样性。请选择正确的实现方式：

A、torch.softmax（logits / temperature, dim=-1）B、torch.softmax（logits * temperature, dim=0）C、torch.sigmoid（logits）D、torch.softmax（logits, dim=-2）

30、【编程题2·第[5]空】生成完成后需要将新增的token序列解码为可读文本。请选择正确的解码方式：

A、tokenizer.decode（new_tokens[i]）B、tokenizer.batch_decode（new_tokens, skip_special_tokens=True）C、tokenizer.decode（new_tokens[i].tolist（）, skip_special_tokens=True）D、tokenizer.decode（tokens, skip_special_tokens=False）

更多问卷复制此问卷