2025年人工智能技术应用师执业资格考试真题及答案.docxVIP

2025年人工智能技术应用师执业资格考试练习题及答案

一、单项选择题（共20题，每题1分，共20分。每题只有一个正确选项）

1.在大语言模型（LLM）训练过程中，以下哪项技术主要用于解决长文本上下文理解问题？

A.注意力掩码（AttentionMask）

B.位置编码（PositionEncoding）

C.分块注意力（BlockAttention）

D.层归一化（LayerNormalization）

答案：C

解析：分块注意力通过将长文本划分为固定大小的块，限制注意力计算范围，有效处理长序列依赖问题；位置编码解决序列顺序信息，注意力掩码用于填充处理，层归一化优化训练稳定性。

2.多模态大模型中，跨模态对齐（CrossmodalAlignment）的核心目标是：

A.统一不同模态数据的特征维度

B.增强单模态内部特征提取能力

C.建立模态间语义关联的映射关系

D.减少多模态数据的存储占用

答案：C

解析：跨模态对齐的关键是让不同模态（如图像、文本）的特征在语义空间中对齐，实现模态间的语义理解与转换，而非仅维度统一或存储优化。

3.联邦学习（FederatedLearning）中，“横向联邦”与“纵向联邦”的主要区别在于：

A.参与方数据特征重叠度

B.模型更新的频率

C.数据标签的分布差异

D.通信带宽的需求

答案：A

解析：横向联邦（水平联邦）要求参与方数据特征空间相同但样本不同（如不同医院的同类型病例），纵向联邦（垂直联邦）则是样本重叠但特征空间不同（如同一用户的医疗与金融数据）。

4.以下哪项不属于生成式AI（AIGC）的典型伦理风险？

A.深度伪造（Deepfake）引发的信息欺骗

B.训练数据中的偏见导致输出歧视性内容

C.模型参数量过大导致计算资源浪费

D.生成内容的版权归属模糊

答案：C

解析：伦理风险主要涉及社会影响（欺骗、偏见、版权），计算资源浪费属于工程效率问题，非伦理范畴。

5.在目标检测任务中，mAP（平均精度均值）的计算基于：

A.不同交并比（IoU）阈值下的AP值平均

B.所有类别AP值的平均

C.不同召回率下的精度值平均

D.模型推理速度与精度的平衡

答案：B

解析：mAP是对所有检测类别的AP（AveragePrecision）值求平均，IoU阈值通常固定（如0.5或0.5:0.95），而非不同阈值的平均。

6.边缘AI（EdgeAI）部署时，模型量化（Quantization）的主要目的是：

A.提高模型泛化能力

B.减少模型存储空间与计算功耗

C.增强模型对噪声的鲁棒性

D.简化模型训练流程

答案：B

解析：量化通过降低数值精度（如32位浮点转8位整型），显著减少模型体积和计算量，适配边缘设备的资源限制。

7.以下哪种损失函数最适合多标签分类任务（每个样本可能有多个标签）？

A.交叉熵损失（CrossEntropyLoss）

B.二元交叉熵损失（BinaryCrossEntropyLoss）

C.均方误差（MSE）

D.三元组损失（TripletLoss）

答案：B

解析：多标签分类中每个标签独立判断是否存在，需为每个标签计算二元交叉熵，而交叉熵适用于单标签多类任务。

8.大模型微调（Finetuning）时，LoRA（LowRankAdaptation）技术的核心是：

A.冻结预训练模型参数，仅训练低秩矩阵

B.在模型输入层添加可训练的低秩层

C.对预训练参数进行低秩分解后更新

D.通过正则化限制模型参数的秩

答案：A

解析：LoRA冻结原模型权重，在每个全连接层并行添加两个低秩矩阵（秩远小于原矩阵维度），仅训练这两个矩阵，大幅减少可训练参数。

9.以下哪项属于多模态学习中的“早期融合”（EarlyFusion）策略？

A.分别提取图像和文本特征，再拼接后输入分类器

B.用同一编码器处理图像和文本的混合输入

C.先独立训练单模态模型，再通过门控机制融合输出

D.对图像和文本分别训练，最终结果取投票平均

答案：B

解析：早期融合在输入阶段合并多模态数据（如将图像像素与文本嵌入拼接），用统一编码器处理；晚期融合则在特征提取后融合。

10.知识图谱（KnowledgeGraph）中，“实体对齐”（EntityAlignment）的主要任务是：

A.识别图谱中的重复实体并合并

B.为实体添加更详细的属性描述

C.预测图谱中缺失的关系（Link