2026年人工智能多模态基础考试题库及解析.docxVIP

2026年人工智能多模态基础考试题库及解析

1.单项选择题（每题2分，共20分）

1.1在CLIP模型中，图像与文本的相似度计算通常采用下列哪种距离度量？

A.欧氏距离

B.曼哈顿距离

C.余弦相似度

D.杰卡德距离

答案：C

解析：CLIP使用归一化后的特征向量计算余弦相似度，以消除模长差异。

1.2多模态Transformer中，为区分图像token与文本token，最常用的位置编码策略是：

A.正弦位置编码共享

B.可学习绝对编码分离

C.模态类型嵌入+分段位置编码

D.相对位置偏置

答案：C

解析：模态类型嵌入（modalityembedding）与分段位置编码（segmentposition）联合使用，可让模型同时感知“模态身份”与“序列顺序”。

1.3当在跨模态检索任务中引入难负样本挖掘（hardnegativemining）时，下列哪种损失函数对噪声最鲁棒？

A.标准三元组损失

B.带边距的三元组损失

C.加权三元组损失+自适应边距

D.InfoNCE

答案：D

解析：InfoNCE通过softmax归一化，天然抑制个别异常大负样本的梯度爆炸。

1.4在扩散模型用于文本到图像生成时，UNet通常接收的条件向量来自：

A.文本编码器最后层[CLS]

B.文本编码器各层平均池化

C.文本编码器最后层隐藏状态序列通过交叉注意力注