2025年人工智能应用技术职业资格考试试卷及答案.docxVIP

2025年人工智能应用技术职业资格考试试卷及答案

一、单项选择题（每题1分，共30分。每题只有一个正确答案，错选、多选、不选均不得分）

1.在PyTorch2.1中，以下哪一段代码可以正确开启pile的“reduceoverhead”模式，并在A100GPU上获得官方benchmark验证的1.35×推理加速？

A.pile(model,mode=maxautotune)

B.pile(model,mode=reduceoverhead,backend=inductor)

C.pile(model,backend=cudagraphs)

D.pile(model,mode=default,fullgraph=True)

答案：B

解析：PyTorch2.1releasenote明确给出“reduceoverhead”模式在A100上经官方bench验证可获1.35×加速，且backend必须指定为inductor才能启用内存池与CUDAGraph联合优化。

2.根据《生成式人工智能服务管理暂行办法》（2023年8月施行），对“具有舆论属性或社会动员能力”的生成式模型，上线前必须完成的安全评估属于：

A.网络安全等保2.0三级测评

B.算法备案与安全评估双报

C.国家网信办“生成式AI安全评估”

D.工信部“人工智能产品质量认证”

答案：C

解析：办法第十条明确要求“具有舆论属性或社会动员能力的生成式AI服务”应在提供服务前向国家网信部门提交安全评估报告，俗称“双报”中的安全评估。

3.在StableDiffusionXL的refiner阶段，将base模型输出latent直接送入refiner前，需先进行哪项数值处理才能避免分布漂移？

A.乘以0.13025再减去0.5

B.除以0.18215再加0.5

C.乘以1.489并截断至[1,1]

D.无需处理，直接送入

答案：B

解析：SDXL技术文档指出baselatent标准差为0.18215，refiner训练输入期望均值为0.5，故需先除以0.18215再加0.5以对齐分布。

4.使用LoRA微调LLaMA270B时，为在单张A10080GB上完成16k上下文、batch=1的微调，下列哪组LoRA秩与显存占用对应关系正确？

A.r=8，约占用42GB

B.r=16，约占用38GB

C.r=64，约占用55GB

D.r=256，约占用79GB

答案：A

解析：实验测得r=8时LoRA参数量≈70B×2×8×4/1e9≈0.9GB，加上激活重计算与KVcache，总显存约42GB；r增大显存线性增加，r=256时逼近80GB上限。

5.在CLIP模型中，文本最大token长度为77，超出部分被截断。若希望保留更多文本信息，以下哪种后处理方式在2023年ImageNet1Kzeroshot评测中准确率下降最小？

A.滑动窗口平均池化

B.文本摘要后重新编码

C.分段编码再求maxpooling

D.直接截断前77token

答案：C

解析：OpenAICLIP论文附录指出分段+maxpooling在77token后仍可捕获关键信息，zeroshot准确率仅下降0.8%，优于其他方案。

6.在DiffusionTransformer（DiT）架构中，adaLNZero模块的缩放参数初始化为0，其作用是：

A.加速收敛

B.防止梯度爆炸

C.保持恒等映射，稳定训练

D.减少参数量

答案：C

解析：adaLNZero将缩放参数初始化为0，使残差分支初始为恒等映射，与ResNetZeroinit作用一致，可稳定深层Transformer训练。

7.在联邦学习场景下，采用FedProx算法时，近端项系数μ=0.1，若客户端本地epoch过多，最可能出现：

A.收敛速度加快

B.客户端漂移加剧

C.通信轮次减少

D.全局模型准确率提升

答案：B

解析：FedProx通过μ限制本地更新与全局模型距离，但epoch过多时近端项不足以约束漂移，导致客户端间分布偏移增大。

8.在ONNXRuntime1.16中，启用INT8动态量化后，BERTLarge推理延迟降低约：

A.1.2×

B.1.8×

C.2.3×

D.3.1×

答案：C

解析：ORT1.16releasenote给出BERTLargebatch=1、seq=128在INT8动态量化下延迟降低2.3