2026年专利代理师人工智能专利撰写真题及答案解析.docxVIP

2026年专利代理师人工智能专利撰写真题及答案解析

2026年专利代理师资格考试专利撰写科目（卷三）人工智能方向题目给定材料：近年来生成式人工智能大模型技术快速落地，智能终端厂商纷纷推动大模型端侧部署，以实现低延迟响应、保护用户数据隐私的技术效果。现有大模型通常包含数十亿甚至数千亿参数，全精度参数存储需要占用数十GB甚至上百GB的存储空间，远超过手机、智能车机等端侧设备的算力和存储上限。为解决上述问题，现有技术普遍采用参数量化技术，将大模型的16位浮点参数量化为4位整型参数，可将模型体积压缩为原来的四分之一，但是量化过程会不可避免损失模型精度，针对复杂语义理解、长文档推理等任务，模型准确率下降可达10%以上，无法满足用户使用需求。为了在精度和速度之间取得平衡，部分现有技术提出动态层级跳过方案，针对简单输入仅激活大模型前N层网络进行推理，高复杂度输入才激活全部网络层，该方案虽然能够提升平均推理速度，但是针对高复杂度输入仍然需要调用全部全精度参数，无法解决端侧存储不足的问题，且复杂任务的精度损失问题仍然存在。还有部分现有技术采用云边端协同方案，将大模型主干网络部署在云端，端侧仅部署输入输出层，该方案需要端侧设备始终保持高带宽网络连接，不仅存在响应延迟，还容易导致用户隐私数据泄露，无法满足敏感场景的使用需求。对比文件1公开了一种端侧大模型推理方法，能够根据输入任务的复杂度调整整个模型的