试卷核心说明

• 总分：100 分（80 分通过）
• 题量：50 题（含单选、多选、判断）
• 个人整理，不保证解析正确

1. 制作一个 15 秒视频，按照 60 帧计算，生成图片的数量为（ ）。
   • 选项：A. 300 B. 15 C. 60 D. 900
   • 答案：D（900 张）
   • 通俗完整解析：帧就是视频的 “静态画面切片”，就像翻动画书 —— 每一页是一帧，快速翻动就形成动态。60 帧 / 秒意味着 1 秒钟要连续播放 60 张图片（高清视频标准帧率）。计算逻辑超简单：总图片数 = 时长（秒）× 帧率（帧 / 秒）=15×60=900 张。易错点：别把 “60 帧” 误看成 “30 帧”（标清帧率），否则会算成 450 张（对应选项 A）；实际用 AI 生成视频时，工具会自动按帧率算图片数，但理解这个逻辑能帮你调整流畅度。

1. SFT 模型的数据规模通常需要多少条精标数据才能发挥良好的效果？（ ）
   • 选项：A. 几万条 B. 上千条左右 C. 几十条 D. 几百万条
   • 答案：B（上千条左右）
   • 通俗完整解析：SFT 是 “监督微调”，相当于给大模型做 “专项技能培训”，精标数据就是 “带标准答案的练习题”。为什么选上千条？① 几十条（选项 C）太少：模型学不会稳定规律，比如只教 50 条客服话术，模型遇到新问题还是不会；② 几万条 / 几百万条（A、D）太多：标注成本高（人工标 10 万条要花很多钱和时间），性价比低。上千条是 “效果 + 成本平衡点”，比如训练客服模型，1000-5000 条精标对话就够适配日常咨询场景。

1. 直接展示商品或服务，通过简单明了的宣传语、图片等吸引消费者。这种文案属于（ ）。
   • 选项：A. 软文 B. 硬广 C. 公众号推文 D. 新闻稿
   • 答案：B（硬广）
   • 通俗完整解析：硬广就是 “不绕弯子的广告”，核心是 “直接说卖点”—— 比如超市货架上的商品海报写 “买一送一”、电视里的饮料广告说 “清爽解渴”，都是直白宣传。对比其他选项：软文（A）是 “间接种草”，比如写一篇 “夏天怎么防晒？我选 XX 防晒霜” 的文章，藏着广告；公众号推文（C）、新闻稿（D）可能含广告，但不是 “直接展示” 的核心类型。易错点：别把 “硬广” 和 “软文” 搞反，关键看是否 “直接宣传商品 / 服务”。

1. 使用 ERNIE-Bot 4.0 的 chat 接口时，奇数位 message 的 role 值必须是什么？（ ）
   • 选项：A. developer B. user 或 function C. assistant D. system
   • 答案：B（user 或 function）
   • 通俗完整解析：chat 接口的消息是 “一问一答” 的顺序，奇数位（第 1、3、5 条）必须是 “发起方”—— 要么是用户提问（user，比如 “帮我写文案”），要么是系统功能触发（function，比如自动调用知识库查询）。偶数位才是模型回应（assistant，选项 C）。打个比方：就像打电话，得先有人拨号（发起方），对方才能接（回应方）。易错点：别选 system（D），system 是设置全局参数（比如 “回答要简洁”），不是发起对话的 role 值。

1. SFT 有哪些潜在益处？（ ）
   • 选项：A. 提升任务特定性能 B. 防止过拟合 C. 解决数据稀缺性问题 D. 提高领域适应性
   • 答案：A、D
   • 通俗完整解析：SFT 的核心好处是 “让模型更懂特定任务 / 领域”。比如：给通用大模型做医疗 SFT，它就能更好地回答问诊问题（提升医疗任务性能 A，提高医疗领域适应性 D）。为什么 B、C 不对？① 防止过拟合（B）：过拟合是模型 “学太死”（只会背题不会灵活用），SFT 解决不了，需要用 “正则化”“早停” 等方法；② 解决数据稀缺（C）：SFT 反而需要足够的精标数据，数据少了还做不了，所以不能解决稀缺问题。易错点：别以为 SFT “啥都能解决”，记住它的核心是 “适配特定任务 / 领域”。

1. 企业专属大模型的有监督精调阶段需要使用什么类型的数据？（ ）
   • 选项：A. 海量的无标注的公开数据 B. 小规模的专业数据集 C. 高质量的有标注的企业内部数据 D. 随机抽样的数据集
   • 答案：C（高质量的有标注的企业内部数据）
   • 通俗完整解析：专属大模型是 “企业定制款”，比如银行的模型要懂房贷规则，就得用银行自己的内部数据（比如客户咨询记录、房贷业务文档）—— 这些数据是 “企业独有的”，外部公开数据（A）没有针对性。而且必须 “有标注”（比如给客户咨询记录标上 “问题类型：利率查询”“正确回复：XX 利率”），不然模型不知道学什么；“高质量” 是指数据准确、无错误，乱填的无效数据没用。易错点：别选 A（无标注公开数据），那是预训练阶段用的，精调专属模型必须用 “内部 + 有标注” 数据。

1. 如果 prompt 过于笼统，大模型能够通过猜测用户的意图产生准确的回答。（ ）
   • 选项：A. 正确 B. 错误
   • 答案：B（错误）
   • 通俗完整解析：prompt 是给模型的 “指令”，太笼统会让模型 “摸不着头脑”。比如只说 “写点东西”，模型不知道要写广告、作文还是通知；但说 “写 3 句手机促销文案，突出拍照功能”，才能精准回应。就像你跟朋友说 “帮我带点吃的”，朋友可能带零食、水果或饭菜，但说 “帮我带一份汉堡”，就不会出错。易错点：别以为模型 “能猜透心思”，笼统指令只会导致回答跑偏（比如写出来的文案不符合需求）。

1. 文案优化和调整范围的内容是（ ）。
   • 选项：A. 结合人类创造力 B. 优化和调整 C. 注意法律和道德问题 D. 提供指导
   • 答案：A、B、C
   • 通俗完整解析：文案优化不是 “一次性写好”，核心是 “让文案更好用、不违规”。① 结合人类创造力（A）：AI 写的文案可能生硬，人要加灵感（比如给促销文案加网络热词）；② 优化和调整（B）：比如改措辞（“好用” 改成 “闭眼冲”）、调长度（适配短视频字幕）；③ 注意法律和道德（C）：不能写虚假宣传（比如 “包治百病”）、不侵犯他人权益（比如用别人的图片要授权）。为什么 D 不对？提供指导（D）是 “告诉别人怎么写”，不是 “优化文案本身” 的范围。易错点：别漏选 C，法律道德是底线，比如广告文案不能用 “最高级”（最棒、第一），否则违规。

1. 模型评估支持范围包括以下哪些？（ ）
   • 选项：A. 用户训练模型 B. 实时更新模型 C. 预置模型 D. 外部导入模型
   • 答案：A、C
   • 通俗完整解析：模型评估就是 “给模型打分”，支持的是 “自己训练的” 和 “平台自带的” 模型。① 用户训练模型（A）：比如你用自己的数据训练了一个客服模型，能评估它的回答准确率；② 预置模型（C）：平台自带的模型（比如 ERNIE-Bot 4.0），能评估它在特定任务上的表现。为什么 B、D 不对？① 实时更新模型（B）：实时更新是 “模型一直在变”，评估需要固定版本，没法实时评；② 外部导入模型（D）：外部模型（比如你从其他平台下载的模型），平台没法获取它的参数，不能评估。易错点：别选 B，实时更新和评估是两回事，评估是针对 “固定版本” 的模型。

1. AI 视频相比传统视频的优势的有（ ）。
   • 选项：A. 优质的服务 B. 更低的成本 C. 更高的质量 D. 更快的创作速度
   • 答案：B、D
   • 通俗完整解析：AI 视频的核心优势是 “省时间、省钱”。① 更快的创作速度（D）：传统视频要拍素材、剪片子，可能要几天；AI 视频输入文字就能生成（比如 “生成 15 秒美食视频，展示做菜过程”），几分钟搞定；② 更低的成本（B）：不用租设备、雇摄影师，AI 工具可能免费或低价就能用。为什么 A、C 不对？① 优质服务（A）：服务好不好看平台，不是 AI 视频本身的优势；② 更高质量（C）：AI 视频质量可能不如专业拍摄（比如画面细节、构图），只是 “够用”，不是 “更优”。易错点：别以为 AI 视频 “质量更好”，它的优势是效率和成本，不是画质。

1. 在选择通用大模型作为行业大模型基座时，需要考虑哪些因素？（ ）
   • 选项：A. 模型的预训练数据范围和质量 B. 模型的规模 C. 模型的开放性 D. 模型在自然语言处理任务上的性能
   • 答案：A、B、D
   • 通俗完整解析：通用大模型当 “基座”，就是要 “底子好”，能支撑行业定制。① 预训练数据（A）：数据范围广（比如涵盖医疗、金融）、质量高（无错误），后续行业微调才容易；② 模型规模（B）：规模越大（参数越多），学习能力越强，比如千亿参数模型比百万参数模型更能适配复杂行业场景；③ NLP 性能（D）：行业大模型常做文本任务（比如客服对话、文档分析），NLP 性能好（比如理解准确、生成流畅）才好用。为什么 C 不对？开放性（C）是指模型是否开源（能看代码），不是核心 —— 就算不开源，只要性能好、数据全，也能当基座。易错点：别选 C，开放性不是选择基座的关键因素，重点看 “数据、规模、性能”。

1. RAG 模型出现的背景是为了解决大型语言模型的哪项局限性？（ ）
   • 选项：A. 知识的局限性 B. 计算效率 C. 模型的大小 D. 生成能力
   • 答案：A（知识的局限性）
   • 通俗完整解析：大模型的知识库是 “固定的”，比如 2023 年训练的模型不知道 2024 年的新消息，也不懂某企业内部的专属知识（比如公司新出的制度）—— 这就是知识局限性。RAG 就像给模型装了个 “实时搜索引擎”：用户提问后，RAG 先从外部知识库（比如企业文档、最新新闻）找相关信息，再让模型结合这些信息回答，解决 “知识过时、知识不全” 的问题。其他选项：计算效率（B）是模型跑得多快，模型大小（C）是参数多少，生成能力（D）是模型能不能写文案、做图片，都不是 RAG 要解决的核心问题。易错点：别选 D，RAG 不提升生成能力，只提升生成内容的 “准确性（知识正确）”。

1. 文心一言生成图像的方式有（ ）。
   • 选项：A. 通过一言百宝箱绘图 B. 使用图像生成图像 C. 直接使用提示词编写绘图 D. 使用标签方式绘图
   • 答案：A、C
   • 通俗完整解析：文心一言生成图片就两种核心方式：① 百宝箱绘图（A）：打开文心一言的 “百宝箱”，找到绘图工具，选风格（比如卡通、写实）就能生成；② 提示词编写（C）：直接输入文字描述（比如 “蓝色天空下的白色小房子，水彩风格”），模型按文字画图。为什么 B、D 不对？① 图像生成图像（B）：文心一言不能用一张图生成另一张图（比如上传一张猫的图，让它生成狗的图），这是其他 AI 工具（比如 Stable Diffusion）的功能；② 标签方式（D）：不能只选标签（比如只选 “房子”“蓝色”）生成，必须有完整的文字描述。易错点：别选 B，文心一言不支持 “图生图”，只支持 “文生图”。

1. 推荐系统中常见的召回方式有（ ）。
   • 选项：A. 协同召回 B. 热销召回 C. 标签召回 D. 时间召回
   • 答案：A、B、C
   • 通俗完整解析：召回是推荐系统的 “第一步”，就是 “从海量商品里挑出可能符合用户需求的一批”。① 协同召回（A）：看 “相似用户 / 商品”，比如 “买了 A 商品的人还买了 B”，就给买 A 的人推荐 B；② 热销召回（B）：推荐卖得好的商品（比如 “销量 TOP10”）；③ 标签召回（C）：按用户 / 商品标签匹配，比如用户喜欢 “运动” 标签，就推荐带 “运动” 标签的商品。为什么 D 不对？时间召回（D）是 “按时间推荐”（比如只推今天上架的商品），不是主流方式，很少单独用。易错点：别漏选 A，协同召回是推荐系统最常用的召回方式之一。

1. 关于 SFT 数据的描述，下列哪些是正确的？（ ）
   • 选项：A. 数据不需要精标 B. 数据格式包括 Jsonl 格式 C. 数据必须是排序类 D. 数据要求信息无害
   • 答案：B、D
   • 通俗完整解析：SFT 数据是 “给模型训练的练习题”，有明确要求：① 格式支持 Jsonl（B）：Jsonl 是常用的批量数据格式，每条数据是一个 Json 对象（比如 {"question":"怎么贷款？","answer":"XX 流程"}），方便模型读取；② 信息无害（D）：不能有违法、暴力、虚假数据（比如教别人诈骗的内容），否则模型会学坏。为什么 A、C 不对？① 数据需要精标（A 错误）：SFT 是监督微调，必须有准确标注（比如问题 + 正确答案），没标注的 data 没用；② 数据不一定是排序类（C 错误）：SFT 数据可以是对话、文案、问答等，不一定需要按顺序排列。易错点：别选 A，SFT 数据的核心要求之一就是 “精标”，没标注等于白给模型看。

1. 论文为了保证前后文一致性，使用提示工程时需要使用什么方式处理提示词（ ）。
   • 选项：A. Few-shot B. 思考法 C. 戴高帽 D. 索引法
   • 答案：A（Few-shot）
   • 通俗完整解析：Few-shot 就是 “给模型看示例”，让它照着示例保持一致。比如写论文时，想让模型一直用 “用户需求→解决方案→效果验证” 的结构，就可以在提示词里给 1-2 个示例：“示例 1：用户需求是提升客服效率→解决方案是训练 AI 客服→效果验证是咨询响应时间缩短 50%；请按此结构写后续内容”。模型就会跟着示例的结构和表述风格来，保证前后一致。其他选项：思考法（B）是让模型 “一步步想”，戴高帽（C）是 “夸模型专业”，索引法（D）是 “加引用标注”，都不能保证前后文一致性。易错点：别选 C，戴高帽只会让模型更自信，不会让它保持结构 / 表述一致。

1. 在自动裁判员打分系统中，打分模板（Prompt）可以自定义设置的变量包括以下哪些？（ ）
   • 选项：A. 裁判员模型的调用次数和计费方式 B. 裁判员模型的名称和版本号 C. 打分指标（metric）和评分步骤（steps） D. 打分模板的样式和字体大小
   • 答案：C（打分指标和评分步骤）
   • 通俗完整解析：自定义打分模板，就是 “告诉系统怎么打分、看哪些维度”。① 打分指标（metric）：比如评估文案好坏，指标可以是 “吸引力、准确性、合规性”；② 评分步骤（steps）：比如 “第一步看是否符合主题，第二步看是否有违规词，第三步给总分”。其他选项都是 “系统层面的设置”，不是模板变量：A（调用次数 / 计费）是平台计费规则，B（模型名称 / 版本）是选哪个模型打分，D（样式 / 字体）是显示问题，都不能在打分模板里自定义。易错点：别选 D，模板是 “打分的逻辑”，不是 “显示的样式”，字体大小和打分没关系。

1. AIGC 文案进行文本分析优势明显，一般可以用于哪些场景（ ）。
   • 选项：A. 童话故事 B. 广告文案 C. 论文阅读 D. 通告编写
   • 答案：B（广告文案）
   • 通俗完整解析：AIGC 文案的文本分析优势是 “快速抓卖点、适配营销场景”。比如分析竞品广告文案的关键词（比如 “性价比”“高颜值”），生成自己的广告文案；或者分析用户评论，提炼用户关心的点（比如 “用户觉得手机续航好”），用到广告里。其他场景：童话故事（A）是创作，不是分析；论文阅读（C）需要深度理解学术内容，AIGC 的分析不够精准；通告编写（D）是格式化写作，不需要复杂分析。易错点：别选 A，AIGC 能写童话故事，但题干问的是 “文本分析优势”，不是创作优势。

1. 不具有 AI 幻觉处理功能的方法是（ ）。
   • 选项：A. 戴高帽 B. 思考法 C. 追溯法 D. 索引法
   • 答案：A（戴高帽）
   • 通俗完整解析：AI 幻觉就是模型 “瞎编不存在的信息”（比如编造一个不存在的论文、虚假数据）。① 思考法（B）：让模型 “一步步说思路”，比如 “你说这个数据来自 XX 报告，那报告的发布时间是什么？”，模型编不出来就会暴露；② 追溯法（C）：让模型提供信息来源（比如 “引用 XX 官网 2024 年数据”），没来源就是幻觉；③ 索引法（D）：让模型从指定知识库找信息（比如 “只能用公司内部文档回答”），避免瞎编。而戴高帽（A）是 “夸模型专业”（比如 “你是专家，一定要准确”），不仅没用，还可能让模型更自信地瞎编，完全不能处理幻觉。易错点：别选 B，思考法是抑制幻觉的有效方法，核心是 “让模型自证信息正确性”。

1. 在 Agent Builder 工具中，哪个工具能与文心一格结合，生成对应的图像？（ ）
   • 选项：A. 知识问答 - 知识库检索 B. 代码解释器 C. 文生图 D. 知识问答 - 百度搜索
   • 答案：C（文生图）
   • 通俗完整解析：文心一格是百度的 AI 绘画工具，Agent Builder 里的 “文生图组件” 就是专门对接它的 —— 在工具里添加 “文生图” 组件，输入文字描述（比如 “粉色樱花树，二次元风格”），组件会自动调用文心一格的能力，生成对应的图片。其他选项：知识库检索（A）是查文档，代码解释器（B）是运行代码，百度搜索（D）是查网页，都和生成图像没关系。易错点：别选 B，代码解释器不能生成图片，只能处理数据（比如算报表、画图表）。

1. GBI 系统中，若用户 15 天未使用应用，会发生什么情况？（ ）
   • 选项：A. 系统会自动更新 B. 数据文件会保持不变 C. 已上传的数据会被清空 D. 对话历史会自动保存
   • 答案：C（已上传的数据会被清空）
   • 通俗完整解析：GBI 是百度智能云的应用搭建工具，为了节省服务器存储空间，有 “闲置清理规则”：如果一个应用 15 天没人用，之前上传的数据集（比如 Excel 表格、文本文件）会自动清空，避免占用不必要的资源。其他选项：系统自动更新（A）是平台的事，和用户用不用应用没关系；数据保持不变（B）、对话历史保存（D）都不符合清理规则，闲置太久会被清。易错点：别选 B，要记住 GBI 的闲置数据清理规则，15 天未用→数据清空。

1. 生成式人工智能伦理原则包含（ ）。
   • 选项：A. 尊重知识产权、商业道德 B. 尊重人类尊严和权利 C. 防止伤害他人身心健康 D. 保护个人隐私和数据安全
   • 答案：A、B、C、D
   • 通俗完整解析：生成式 AI 的伦理原则就是 “不害人、守规矩”。① 尊重知识产权（A）：不能盗用别人的文案、图片（比如 AI 生成的图片不能抄版权作品）；② 尊重人类尊严（B）：不能生成歧视性内容（比如歧视性别、地域）；③ 防止伤害（C）：不能生成暴力、自杀指导等有害内容；④ 保护隐私（D）：不能泄露用户的个人信息（比如把用户输入的手机号、住址生成到文案里）。这四项都是核心原则，缺一不可。易错点：别漏选任何一项，伦理原则是全方位的，既包括法律层面（知识产权、隐私），也包括道德层面（尊严、不伤害）。

1. RAG 框架的核心理念是什么？（ ）
   • 选项：A. 检索 B. 检索 + 生成 C. 生成 D. 存储
   • 答案：B（检索 + 生成）
   • 通俗完整解析：RAG 的核心是 “先找再写”，分两步：① 检索（Retrieval）：用户提问后，先从外部知识库（比如企业文档、最新新闻）里找相关的准确信息（比如用户问 “公司 2024 年年假规则”，就从公司制度文档里找规则）；② 生成（Generation）：把找到的信息和大模型自己的知识结合，用通顺的语言回复用户。如果只检索（A），只能返回文档片段，不能生成自然语言回答；只生成（C），模型可能瞎编（比如不知道新规则）。打个比方：RAG 就像 “学生考试”，先查课本（检索），再结合自己的理解写答案（生成）。易错点：别选 A 或 C，RAG 是 “检索 + 生成” 的结合，缺一不可。

1. 在 Prompt Engineering 中，为了改善大模型对 prompt 的理解和回答质量，我们应该怎么做？（ ）
   • 选项：A. 尝试不同的表达方式 B. 只使用一个标准的 prompt C. 限制模型的功能 D. 提供不相关的信息
   • 答案：A（尝试不同的表达方式）
   • 通俗完整解析：提示工程就是 “优化指令”，模型对不同措辞的理解可能不一样。比如想让模型写促销文案，第一次说 “写点手机的促销话”，回答可能一般；换个表达 “写 3 句手机促销文案，突出 5000 万像素和超长续航，语气活泼，适合短视频”，回答会更精准。其他选项：只⽤一个 prompt（B）会错过更好的表达；限制功能（C）会让模型没法发挥；提供无关信息（D）会干扰模型理解（比如写手机文案，却提电脑的卖点）。易错点：别选 B，不要固执于一种 prompt 写法，多试几种结构、措辞，能找到模型最容易理解的方式。

1. 在通用大模型的构建流程中，预训练阶段通常使用的数据是什么类型的？（ ）
   • 选项：A. 音频数据 B. 图像数据 C. 无标注的文本数据 D. 有标注的文本数据
   • 答案：C（无标注的文本数据）
   • 通俗完整解析：预训练是大模型的 “基础学习阶段”，就像小孩学说话 —— 听海量的对话（不用有人教 “这句话是什么意思”），自然学会语言规律、常识。这个阶段用的是 “无标注文本数据”（比如网上的文章、书籍、新闻），数量要足够多（几十亿、几百亿字），模型从数据里自己总结规律（比如 “太阳从东方升起” 是常识，“的、地、得” 的用法）。其他选项：音频（A）、图像（B）是多模态模型的预训练数据，但题干问的是 “通用大模型”（核心是文本能力）；有标注数据（D）是精调阶段用的，预训练不用标注（标注成本太高）。易错点：别选 D，预训练用无标注数据，精调才用有标注数据，这是大模型构建的核心区别。

1. 在 Prompt Tuning 中，需要训练更新的是什么？（ ）
   • 选项：A. 无需更新任何参数 B. 额外引入的 prompt embeddings 参数 C. 预训练大模型的主体参数 D. 预训练大模型的全部参数
   • 答案：B（额外引入的 prompt embeddings 参数）
   • 通俗完整解析：Prompt Tuning 是 “轻量微调”，核心是 “不改变大模型本身”。大模型的主体参数（比如千亿级参数）太多，更新起来又费时间又费钱，所以 Prompt Tuning 只加一个 “小参数模块”（prompt embeddings），相当于给大模型加一个 “专属指令模板”。比如想让模型适配医疗场景，就训练一个医疗相关的 prompt embeddings，模型不用改核心参数，就能听懂医疗指令。其他选项：不更新参数（A）没法适配场景；更新主体 / 全部参数（C、D）是 “全量微调”，不是 Prompt Tuning。易错点：别选 C，Prompt Tuning 的关键是 “轻量”，只训练额外的小参数，不是大模型的核心参数。

1. 通用大模型相较于专业化模型有哪些不足？（ ）
   • 选项：A. 应用范围窄 B. 训练数据缺乏多样性 C. 对涉密信息比专业化模型效果更好 D. 在细分领域专业性不如专业模型
   • 答案：D（在细分领域专业性不如专业模型）
   • 通俗完整解析：通用大模型是 “通才”，什么都懂一点（比如能聊天、写文案、算数学），但在细分领域（比如医疗诊断、法律条文解读）不如 “专才”—— 专业化模型是用某一领域的专属数据训练的，比如医疗模型懂各种病症、药物，回答会更精准；而通用模型可能会说外行话（比如把感冒说成肺炎）。其他选项：通用模型应用范围广（A 错误）；训练数据多样性强（B 错误）；涉密信息处理（C）和 “通用 / 专业” 无关，看数据是否涉密。易错点：别选 C，涉密信息处理是数据安全问题，不是模型类型的不足。

1. 不是生成式人工智能优势的选项是（ ）。
   • 选项：A. 可以为企业降本增效 B. 使用过程无需人员参与 C. 更高的创作效率 D. 生成内容多样
   • 答案：B（使用过程无需人员参与）
   • 通俗完整解析：生成式 AI 的优势是 “快、省、多”——① 降本增效（A）：比如 AI 写文案不用雇专职文案，省成本；② 创作效率高（C）：几分钟生成几十条文案，比人写快；③ 内容多样（D）：能生成不同风格（比如活泼、正式）的内容。但它不能 “无人参与”（B）：比如要写广告文案，得有人告诉模型 “目标客户是年轻人”“突出性价比”；生成后还得有人审核（比如有没有违规词），它是 “辅助工具”，不是 “全自动机器”。易错点：别选 A，降本增效是生成式 AI 的核心优势之一，而 “无需人员参与” 是常见误区。

1. 提示注入攻击包含（ ）。
   • 选项：A. 越狱攻击 B. 目标劫持 C. 间接提示注入 D. 提示泄露
   • 答案：A、B、C
   • 通俗完整解析：提示注入攻击是 “通过恶意提示，让模型做不该做的事”。① 越狱攻击（A）：绕过模型的安全规则（比如让模型生成暴力内容，原本模型会拒绝）；② 目标劫持（B）：让模型偏离原本的任务（比如模型是客服，却被诱导生成广告）；③ 间接提示注入（C）：通过间接方式注入恶意提示（比如在文档里藏恶意指令，让模型读取文档后执行）。为什么 D 不对？提示泄露（D）是 “模型泄露了用户的提示词”，不是 “攻击模型”，属于信息泄露，不是注入攻击。易错点：别选 D，区分 “注入攻击”（主动攻击模型）和 “提示泄露”（被动泄露信息）。

1. 在人工智能模型开发中，通常用于训练模型的数据集是什么？（ ）
   • 选项：A. 评估数据集 B. 验证集 C. 测试集 D. 训练集
   • 答案：D（训练集）
   • 通俗完整解析：模型开发有三个核心数据集，分工明确：① 训练集（D）：给模型 “上课” 的资料，比如大量标好答案的文本（“问题：1+1=？ 答案：2”），模型从这里学习规律；② 验证集（B）：“小测验” 资料，训练过程中用，判断模型学得好不好（比如调整参数）；③ 测试集（C）：“期末考试” 资料，最后检验模型的最终效果；④ 评估数据集（A）是统称，不是具体用于训练的数据集。打个比方：训练集是课本，验证集是作业，测试集是考试卷，模型靠课本（训练集）学知识。易错点：别选 B 或 C，验证集和测试集是用来评估的，不是训练的。

1. 大型语言模型写代码的主要用途包括哪些方面？（ ）
   • 选项：A. 编写单元测试 B. 代码注释和文档编写 C. 代码编写与优化 D. 代码审查辅助
   • 答案：A、B、C、D
   • 通俗完整解析：大模型写代码就是 “程序员的辅助工具”，覆盖全流程：① 编写单元测试（A）：写完核心代码后，模型能自动生成测试代码（比如验证函数是否正确）；② 注释和文档（B）：给代码加注释（比如 “这个函数是计算总和”），或生成使用文档（比如 “如何调用这个接口”）；③ 代码编写与优化（C）：根据需求写代码片段（比如 “用 Python 写一个读取 Excel 的函数”），或优化现有代码（比如让代码运行更快）；④ 代码审查辅助（D）：找出代码里的错误（比如语法错误、逻辑漏洞），给出修改建议。这四项都是常见用途，能帮程序员节省时间。易错点：别漏选 A，单元测试是代码开发的重要环节，大模型在这方面的辅助作用很明显。

1. LoRA 模型训练过程中不包含的步骤是（ ）。
   • 选项：A. 数据集准备 B. 模型测试 C. 自定义模型结构 D. 模型训练
   • 答案：C（自定义模型结构）
   • 通俗完整解析：LoRA 是 “轻量微调” 技术，核心是 “不改变原模型结构”—— 原模型是个复杂的 “大房子”，LoRA 不用拆了重建，只在房子里加几个 “小零件”（低秩矩阵），就能让模型适配特定任务。训练步骤包括：① 数据集准备（A）：准备精标数据；② 模型训练（D）：训练加进去的 “小零件”；③ 模型测试（B）：检验训练效果。唯一不用做的是自定义模型结构（C），如果改结构，就不是 LoRA 了，而是 “重写模型”。易错点：别选 B，模型测试是任何训练过程都有的步骤，LoRA 也不例外，核心区别是 “不改模型结构”。

1. 专属大模型通常基于什么数据进行训练？（ ）
   • 选项：A. 企业或组织的内部数据 B. 问卷调查数据数据 C. 随机抽样的数据集 D. 行业通用的数据
   • 答案：A（企业或组织的内部数据）
   • 通俗完整解析：专属大模型是 “为某家企业 / 组织量身定制” 的，比如银行的专属模型要懂自己的房贷规则、客户信息，医院的专属模型要懂自己的病历数据、诊疗规范 —— 这些都是 “内部数据”，外部数据（比如行业通用数据 D、随机抽样数据 C）没有针对性。问卷调查数据（B）可能是内部数据的一部分，但不是核心，核心是 “企业独有的、适配自身业务的数据”。易错点：别选 D，行业通用数据是训练通用行业模型的，专属模型必须用 “自己的内部数据”，才能体现 “专属”。

1. 提示词：“今天天气不错可是没带雨伞，只好呆在家里。” 的语病是（ ）。
   • 选项：A. 歧义 B. 前后矛盾 C. 语序不当 D. 成分残缺
   • 答案：B（前后矛盾）
   • 通俗完整解析：这句话的逻辑说不通 ——“天气不错” 通常意味着没雨（不用带雨伞），但后半句说 “没带雨伞只好呆在家里”，暗示有雨，前后意思冲突。其他选项：歧义（A）是一句话有多种意思（比如 “咬死了猎人的狗”，分不清是狗死了还是猎人死了）；语序不当（C）是词语顺序错了（比如 “我吃饭在早上”）；成分残缺（D）是缺少主语 / 谓语（比如 “在公园玩”，缺少主语 “我”）。易错点：别选 A，这句话没有多种意思，只是逻辑矛盾。

1. AppBuilder-SDK 提供的开发组件不包括以下哪一项？（ ）
   • 选项：A. 大模型组件 B. 第三方接口组件 C. AI 能力组件 D. 基础云组件
   • 答案：D（基础云组件）
   • 通俗完整解析：AppBuilder-SDK 是 “搭建智能应用的工具包”，提供的都是和 “AI 能力、大模型” 相关的组件：① 大模型组件（A）：比如调用 ERNIE-Bot 的组件；② 第三方接口组件（B）：比如对接微信、支付宝的接口；③ AI 能力组件（C）：比如文生图、文档解析组件。基础云组件（D）是百度智能云的 “基础服务”（比如服务器、存储、数据库），不是 SDK 里的开发组件 ——SDK 是用来搭应用的 “功能模块”，基础云组件是 “运行应用的环境”。易错点：别选 B，第三方接口组件是 SDK 的一部分，比如搭建一个智能客服应用，可能需要对接企业的 CRM 系统（第三方接口）。

1. RLHF 阶段的训练目的是什么？（ ）
   • 选项：A. 使模型能够处理更多的语言种类 B. 奖励大模型生成人类更加认可的表达 C. 提高模型处理大数据的能力 D. 减少模型的训练时间
   • 答案：B（奖励大模型生成人类更加认可的表达）
   • 通俗完整解析：RLHF 是 “基于人类反馈的强化学习”，核心是 “让模型说的话更符合人类习惯”。步骤很简单：① 让模型生成多个回答；② 人类给这些回答打分（比如 A 回答比 B 回答更自然、更有用）；③ 模型根据打分调整，下次优先生成高分风格的回答。比如模型原本回答 “我认为这个方案可行”，人类觉得太生硬，打分低；模型调整后回答 “这个方案挺靠谱的”，人类打分高，以后就会用更口语化的表达。其他选项：处理多语言（A）是预训练 / 精调的事；处理大数据（C）是模型架构的事；减少训练时间（D）和 RLHF 无关，RLHF 反而会增加一点训练步骤。易错点：别选 A，RLHF 不提升语言种类能力，只提升 “人类认可度”。

1. 在选择 Post-pretrain 语料时，应考虑哪些方面的数据质量？（ ）
   • 选项：A. 数据的原创性 B. 语义高质量 C. 数据的实时性 D. 内容高质量
   • 答案：B、C、D
   • 通俗完整解析：Post-pretrain 是 “预训练之后的二次预训练”，目的是让模型更懂特定领域（比如金融、医疗），所以语料质量要满足 “适配领域、准确、新鲜”。① 语义高质量（B）：语言通顺、逻辑清晰（比如医疗语料不能有 “感冒要吃抗生素” 这种错误逻辑）；② 实时性（C）：数据要新（比如金融语料用 2024 年的政策，不用 2010 年的），避免模型学过时的知识；③ 内容高质量（D）：信息准确、无错误（比如法律语料要和现行法律一致）。为什么 A 不对？原创性（A）不是核心 —— 只要数据准确、适配领域，哪怕是引用的（比如引用金融时报的文章）也能用，不用必须原创。易错点：别选 A，Post-pretrain 看重 “数据是否适配领域、是否准确新鲜”，不是是否原创。

1. Post-pretrain 阶段有哪些潜在的益处？（ ）
   • 选项：A. 减少训练时间 B. 降低误解的风险 C. 提高模型性能 D. 提升领域专业性
   • 答案：C、D
   • 通俗完整解析：Post-pretrain 是 “给预训练模型补领域知识”，好处很直接：① 提高模型性能（C）：比如原本通用模型回答金融问题准确率 60%，Post-pretrain 后提升到 85%；② 提升领域专业性（D）：模型能懂领域术语（比如金融的 “ETF”“市盈率”），不会说外行话。为什么 A、B 不对？① 减少训练时间（A）：Post-pretrain 需要额外训练，会增加时间，不是减少；② 降低误解风险（B）：误解是模型没理解用户意图，和领域知识无关，需要优化 prompt，不是 Post-pretrain。易错点：别选 A，Post-pretrain 是 “额外训练”，会增加时间，核心益处是 “性能 + 专业性”。

1. 提示词理解正确的是（ ）。
   • 选项：A. 提示词可以引导大模型生成所需的文本、图像或其他内容。 B. 提示词内容越简短越好 C. 提示词内容越复杂越好 D. 提示词只适用于文生文的场景中
   • 答案：A
   • 通俗完整解析：提示词是 “给模型的指令”，核心作用是 “引导模型生成想要的内容”—— 既可以让模型写文本（比如文案、论文），也可以生成图像（比如 “画一只猫”）、音频（比如 “生成一段轻音乐”），支持多模态。其他选项：① 越简短越好（B）：太短会笼统（比如 “写文案” 不如 “写 3 句手机促销文案”）；② 越复杂越好（C）：太复杂会冗余（比如写文案加一堆无关要求）；③ 只适用于文生文（D）：错误，提示词支持文生图、文生音等多场景。易错点：别选 B 或 C，提示词的关键是 “简洁明了、信息完整”，不是越短或越长越好。

1. 在自动裁判员打分系统中，若要对被评估模型进行评分，需要进行的步骤可能包括哪些？（ ）
   • 选项：A. 选择合适的裁判员模型 B. 修改打分模板（Prompt）的语言（由汉语改为英语） C. 输入评分模板至裁判员模型 D. 设定合理的打分指标
   • 答案：A、C、D
   • 通俗完整解析：给模型打分的核心步骤是 “选对工具、定好规则、输入指令”。① 选择裁判员模型（A）：比如评估中文文案，选懂中文的模型，不能选只懂英文的；② 设定打分指标（D）：比如评估文案好坏，指标是 “吸引力、准确性、合规性”；③ 输入评分模板（C）：把指标和评分步骤写成模板（比如 “第一步看是否合规，违规得 0 分”），告诉裁判员模型怎么评。为什么 B 不对？修改语言（B）没必要，只要打分模板和被评估模型的输出语言一致就行（比如被评估模型输出中文文案，模板用中文），不用特意改英语。易错点：别选 B，语言修改不是必要步骤，核心是 “打分规则和指标”。

1. 使用到序列模型的应用有（ ）。
   • 选项：A. 视频动作识别 B. 机器翻译 C. 音乐生成 D. 情感分类
   • 答案：B、C、D
   • 通俗完整解析：序列模型是 “处理有序数据” 的模型，比如文本是 “字的序列”、音乐是 “音符的序列”。① 机器翻译（B）：把中文句子（字的序列）翻译成英文句子（字的序列），需要按顺序处理；② 音乐生成（C）：按顺序生成音符，形成连贯的音乐；③ 情感分类（D）：分析句子的情感（比如 “我很开心” 是积极），需要按顺序理解词语的关系。为什么 A 不对？视频动作识别（A）是处理图像序列（帧的序列），属于计算机视觉（CV）领域，不用序列模型，用 CNN、Transformer 等模型。易错点：别选 A，序列模型主要用于自然语言处理（NLP）和音频领域，不是视频动作识别。

1. （ ）属于无效提示词。
   • 选项：A. “你能告诉我关于世界的事情吗？” B. “请为一名即将毕业的会计学大学生撰写一封求职信” C. “请绘制一张猫的图片，使用二次元风格” D. “北京最好的特色餐厅有哪些？”
   • 答案：A
   • 通俗完整解析：无效提示词的核心是 “过于宽泛，模型不知道怎么回应”。选项 A “关于世界的事情” 太广了 —— 世界的历史、地理、文化？模型没法给出具体答案。其他选项都指令明确：B 有明确对象（会计学毕业生）和任务（写求职信）；C 有明确内容（猫的图片）和风格（二次元）；D 有明确地点（北京）和需求（最好的特色餐厅）。易错点：别选 D，“北京最好的特色餐厅” 虽然 “最好” 没有统一标准，但模型能推荐热门餐厅，指令是明确的，不是无效提示词。

1. AI 能力组件中，可以用于文档内容解析，并支持解析出版式、位置坐标、表格结构等内容的组件是什么？（ ）
   • 选项：A. 文档解析 B. 文档切分 C. 语义匹配 D. 语义向量计算
   • 答案：A（文档解析）
   • 通俗完整解析：文档解析组件的核心功能是 “把文档拆成结构化信息”，比如上传一份 PDF 文档，它能识别出：① 版式（比如标题、正文、图片的位置）；② 位置坐标（比如某段文字在页面的 X/Y 坐标）；③ 表格结构（比如表格的行数、列数、单元格内容），还能提取文本、图片等信息。其他选项：文档切分（B）是把文档分成小块（比如按章节分），不解析结构；语义匹配（C）是找相似文本；语义向量计算（D）是把文本转换成向量，都和 “解析版式、表格结构” 无关。易错点：别选 B，文档切分只负责 “拆分”，不负责 “解析结构”。

1. Post-pretrain 过程中，关于领域专业性数据的正确描述是什么？（ ）
   • 选项：A. 专注于广泛主题而非专业性内容 B. 包含领域内常见的专业术语和词汇 C. 仅包含通用词汇 D. 包含领域内罕见的专业术语和词汇
   • 答案：B（包含领域内常见的专业术语和词汇）
   • 通俗完整解析：Post-pretrain 是 “给模型补领域知识”，数据必须 “有领域特色”—— 比如金融领域的 Post-pretrain 数据，要包含 “ETF、市盈率、涨停” 等常见专业术语；医疗领域的要包含 “挂号、处方药、CT 检查” 等词汇。其他选项：① 广泛主题（A）：错误，要专注领域内主题，不是广泛主题；② 仅含通用词汇（C）：错误，通用词汇（比如 “的、是、在”）没有领域特色，学不到专业知识；③ 罕见术语（D）：错误，罕见术语（比如金融领域的冷门监管术语）用不上，还会让模型学偏。易错点：别选 D，Post-pretrain 要学 “常见术语”，不是 “罕见术语”，核心是 “实用的领域知识”。

1. Stable Diffusion 使用的模型是（ ）。
   • 选项：A. GAN B. 扩散模型 C. Transformer D. BERT
   • 答案：B（扩散模型）
   • 通俗完整解析：Stable Diffusion 是知名的 AI 绘画工具，它的核心模型是 “扩散模型（Diffusion Model）”。扩散模型的原理很简单：先把一张图片变成随机噪音，再一步步还原成清晰图片，通过这个过程学习 “如何从文字生成图片”。其他选项：GAN（A）是另一种生成模型（比如生成人脸的 StyleGAN），不是 Stable Diffusion 用的；Transformer（C）是大模型的核心架构（比如 GPT、BERT）；BERT（D）是 NLP 领域的模型，用于文本理解，和绘画无关。易错点：别选 A，GAN 和扩散模型是两种不同的生成模型，Stable Diffusion 明确用的是扩散模型。

1. 在大模型组件中，用于将复杂问题拆解为简单问题的组件是什么？（ ）
   • 选项：A. Query 改写 B. 复杂 Query 判定 C. 阅读理解问答 D. 复杂 Query 分解
   • 答案：D（复杂 Query 分解）
   • 通俗完整解析：复杂 Query 就是 “一句话包含多个问题”，比如 “北京的天气怎么样？哪里有特色餐厅？”，这个组件会把它拆成两个简单问题：“北京的天气怎么样？” 和 “北京哪里有特色餐厅？”，再让模型分别回答，最后汇总结果。其他选项：Query 改写（A）是把问题改得更通顺（比如 “北京天气？” 改成 “北京今天的天气怎么样？”）；复杂 Query 判定（B）是判断一个问题是不是复杂问题；阅读理解问答（C）是根据文档回答问题，都不负责 “拆解问题”。易错点：别选 A，Query 改写是 “优化问题表述”，不是 “拆解问题”。

1. 百度云千帆 AppBuilder 提供的应用组件包括哪些？（ ）
   • 选项：A. 对话 B. 创作 C. 表格问答 D. 文档问答
   • 答案：A、C、D
   • 通俗完整解析：AppBuilder 的核心组件是 “适配不同场景的 AI 能力”：① 对话组件（A）：搭建智能客服、聊天机器人；② 表格问答组件（C）：上传 Excel 表格，让用户通过提问获取表格数据（比如 “2024 年 3 月的销售额是多少？”）；③ 文档问答组件（D）：上传 PDF、Word 文档，让用户提问获取文档内容（比如 “文档里的产品价格是多少？”）。为什么 B 不对？创作（B）是一个 “功能场景”，不是独立组件 —— 创作文案可以用 “对话组件 + 提示词” 实现，没有专门的 “创作组件”。易错点：别选 B，要区分 “组件” 和 “功能场景”，AppBuilder 的组件是具体的工具模块，不是宽泛的功能。

1. 当前生成式人工智能常见的数据安全问题不包含（ ）。
   • 选项：A. 模型黑盒化 B. 算法复杂 C. 用户数据大量泄露 D. 可靠性差
   • 答案：B（算法复杂）
   • 通俗完整解析：数据安全问题是 “和数据相关的风险”，比如数据泄露、模型滥用等。① 模型黑盒化（A）：模型的决策过程不透明，可能泄露训练数据里的敏感信息（比如用户手机号）；② 用户数据泄露（C）：训练模型的用户数据被非法获取；③ 可靠性差（D）：模型生成错误数据（比如虚假的用户信息），造成安全风险。而算法复杂（B）是模型的技术特性，和 “安全” 无关 —— 算法再复杂，只要防护得当，也不会有安全问题；算法简单，防护不好也会有安全风险。易错点：别选 A，模型黑盒化可能导致数据泄露，属于安全问题，而算法复杂不是。

1. GBI 的数据上传功能有哪些限制？（ ）
   • 选项：A. 支持多种编码格式 B. 文件大小不超过 10MB C. 文件内容不超过 40 列和 1 万行 D. 可以上传任意数量的文件
   • 答案：B、C
   • 通俗完整解析：GBI 上传数据有明确的 “大小和内容限制”，避免资源占用过多：① 文件大小≤10MB（B）：比如上传 Excel 表格，不能超过 10MB，太大的文件需要拆分；② 内容≤40 列 / 1 万行（C）：表格最多 40 列、1 万行，超过会上传失败。为什么 A、D 不是限制？① 支持多种编码格式（A）：是 GBI 的优势，不是限制（比如支持 UTF-8、GBK 编码）；② 任意数量文件（D）：GBI 没有明确限制文件数量，只要单个文件符合大小和内容要求就行。易错点：别选 A，A 是支持的功能，不是限制，核心限制是 “大小和行列数”。

1. 在 RAG 系统中，最后产生回答的过程包含哪些输入的组合？（ ）
   • 选项：A. 用户查询生成的向量与知识库中的文档向量 B. 用户原始查询与选中的信息片段 C. 相似度评分与提示词 D. 用户查询与向量数据库
   • 答案：B（用户原始查询与选中的信息片段）
   • 通俗完整解析：RAG 生成回答的最后一步是 “整合信息”，输入有两个：① 用户原始查询（比如 “公司 2024 年年假规则”）：明确用户的需求；② 选中的信息片段（比如从公司制度文档里检索到的 “年假天数按工龄计算，满 1 年 5 天”）：精准的知识来源。模型把这两个输入结合，用通顺的语言生成回答（比如 “根据公司 2024 年制度，年假天数按工龄计算，满 1 年可休 5 天”）。其他选项：A 是 “检索阶段” 的输入（计算相似度），不是最后生成回答的输入；C、D 和生成回答的核心输入无关。易错点：别选 A，A 是检索时用的，最后生成回答需要的是 “原始查询 + 检索到的信息片段”，不是向量。