2025年人工智能训练师认证模拟试题及答案(数据标注与模型训练)——人工智能.docxVIP

2025年人工智能训练师认证模拟试题及答案(数据标注与模型训练)——人工智能

一、单项选择题（每题2分，共20分）

1.以下哪种数据标注类型属于语音数据的常见标注任务？

A.目标检测框标注

B.情感倾向标注

C.音素对齐标注

D.实体关系标注

答案：C

解析：语音数据标注常见任务包括音素对齐（标注语音与文本的对应关系）、说话人识别、情感分类等；目标检测框（图像）、实体关系（文本）、情感倾向（文本/语音均可，但“音素对齐”更专属于语音）。

2.在使用LabelStudio进行多模态数据标注时，若需标注一段视频中“人物动作+对话情感”的联合标签，应优先配置哪种标注界面？

A.独立文本框标注

B.时间轴同步标注

C.图像分割叠加标注

D.单标签分类下拉框

答案：B

解析：多模态数据（视频包含图像、语音、文本）的联合标注需时间轴对齐，确保动作（图像帧）与对话（音频/文本）在时间维度上的标签对应，避免错位。

3.某团队标注一批医疗影像数据时，发现标注员对“早期肺癌结节”的边界判断一致性低于60%，最可能的原因是？

A.标注工具响应速度慢

B.标注规范中“结节边界”定义模糊

C.标注员未接受过医学背景培训

D.数据集中正常肺组织占比过高

答案：B

解析：标注一致性低的核心原因通常是标注规范不明确（如“边界”是取像素50%灰度还是轮廓最清晰处）；医学背景培训（C）是前提，但一致性问题更直接关联规范细节。

4.训练一个目标检测模型时，若验证集mAP（平均精度均值）远低于训练集，且训练损失持续下降，最可能的问题是？

A.学习率设置过高

B.数据增强过度

C.模型过拟合

D.类别不平衡

答案：C

解析：训练集性能好、验证集差且损失持续下降，是典型过拟合表现；学习率过高会导致损失震荡或上升（A），数据增强过度可能降低训练集性能（B），类别不平衡影响各类别精度但未必导致mAP整体差距（D）。

5.以下哪种数据标注质量评估指标最能反映标注结果与真实标签的绝对误差？

A.一致性（Agreement）

B.准确率（Accuracy）

C.均方误差（MSE）

D.F1分数

答案：C

解析：均方误差（MSE）用于回归任务，直接计算预测值与真实值的平方差均值，反映绝对误差；一致性（A）衡量标注员间分歧，准确率（B）和F1（D）用于分类任务的相对正确性。

6.训练一个文本分类模型时，若输入数据包含大量重复短文本（如“好的”“收到”），最可能导致模型出现？

A.梯度消失

B.过拟合到高频词

C.欠拟合

D.内存溢出

答案：B

解析：重复短文本会使模型过度学习高频词（如“好的”）的统计特征，忽略其他关键信息；梯度消失（A）常见于深层网络，欠拟合（C）是模型无法捕捉特征，内存溢出（D）与数据量直接相关。

7.在标注自动驾驶场景的3D点云数据时，对“动态障碍物”（如行人、车辆）的标注需特别注意？

A.点云密度均匀性

B.时间序列连续性

C.单帧语义分割精度

D.传感器校准参数

答案：B

解析：动态障碍物的运动轨迹需在连续帧中保持标注一致性（如同一行人在相邻帧中的ID标注），否则模型无法学习运动预测；传感器校准（D）是数据采集阶段的任务。

8.微调一个预训练大语言模型（如LLaMA-3）时，若仅冻结前90%的层，仅训练最后10%的层，主要目的是？

A.减少计算资源消耗

B.避免灾难性遗忘

C.提升模型泛化能力

D.加速收敛速度

答案：B

解析：冻结大部分预训练层可保留模型已学习的通用知识，仅训练最后几层适配新任务，防止模型因全参数更新而“遗忘”原有能力（灾难性遗忘）；减少计算（A）和加速收敛（D）是附带效果，非主要目的。

9.某图像分类数据集的标签分布为：猫（40%）、狗（30%）、鸟（20%）、其他（10%），训练时若不做处理，模型最可能？

A.对“其他”类的召回率偏低

B.整体准确率显著下降

C.训练损失无法收敛

D.过拟合到“鸟”类特征

答案：A

解析：类别不平衡时，模型倾向于预测样本多的类别（猫、狗），导致少数类（其他）的召回率（正确识别的正样本比例）偏低；整体准确率（B）可能不低（因多数类正确），损失（C）仍可收敛，过拟合（D）更可能发生在小样本类。

10.数据标注中“交叉验证”的核心目的是？

A.评估标注工具的稳定性

B.确保标注员操作熟练

C.降低单一标注员的主观误差

D.统计标注任务的完成进