2025年11月 LMCC大模型认证成人组第一轮真题

1.

以下哪⼀项是精确率（ Precision）的计算公式？注：TP（True Positive ，真阳性）、 FP（False Positive ，假阳性）、TN（True Negative ，真阴性）、 FN（ False Negative ，假阴性）；

A

TP / (TP + FP)

B

TP / (TP + FN)

C

(TP + TN) / (TP + TN + FP + FN)

D

(TP + FP) / (TP + TN + FP + FN)

2.

在预训练技术中，下⼀个词元预测任务（Next Token Prediction）主要基于以下哪种核⼼思想？

A 根据前⽂词元序列预测下⼀个可能出现的词元 B 随机遮盖输⼊序列中的部分词元并进⾏重构 C 同时预测输⼊序列中所有位置的词元 D 将输⼊序列转换为图像特征进⾏识别

3.

关于⾃注意⼒机制，以下哪项描述是正确的？

A 只能处理序列中的单个元素 B 查询（Query）、键（Key）、值（Value）通常来⾃同⼀输⼊序列 C 不需要计算注意⼒权重 D 只能⽤于图像处理任务

4.

关于⼤语⾔模型的优势与局限性，以下描述正确的是？

A ⼤语⾔模型在创造性任务上表现优异，但可能存在事实性错误 B ⼤语⾔模型完全不会产⽣偏⻅内容 C ⼤语⾔模型在所有任务上都优于⼈类专家 D ⼤语⾔模型不需要⼤量训练数据即可达到最佳效果

5.

关于⼤语⾔模型的训练流程，以下哪项分阶段描述最准确？

A 数据收集与预处理 → ⼤规模预训练 → 指令微调与对⻬ B 在线推理 → 实时部署 → ⽤⼾体验评估 C 需求分析 → 产品设计 → 市场推⼴ D 只进⾏⼀次预训练即可，⽆需其他阶段

6.

除了⽆害性、有⽤性和诚实性，⼈类对⻬还可能包含哪些重要标准？

A 语⾔表达的准确性和⽂化适应性 B 符合特定社会背景下的道德规范 C 尊重⽤⼾隐私和数据安全 D 其它所有选项

7.

下列哪个项是⼤语⾔模型产⽣偏⻅的主要来源？

A 训练数据中特定群体的样本数量不⾜ B 模型算法的计算速度过快 C 硬件设备的存储容量限制 D ⽤⼾界⾯的设计不够美观

8.

按照语⾔模型的发展历程，以下四代模型的正确时间顺序是：

A 统计语⾔模型 → 预训练语⾔模型 → 神经⽹络语⾔模型 → ⼤语⾔模型 B 统计语⾔模型 → 神经⽹络语⾔模型 → 预训练语⾔模型 → ⼤语⾔模型 C 神经⽹络语⾔模型 → 统计语⾔模型 → 预训练语⾔模型 → ⼤语⾔模型 D 预训练语⾔模型 → 统计语⾔模型 → 神经⽹络语⾔模型 → ⼤语⾔模型

9.

关于贪⼼搜索（Greedy Search）和束搜索（Beam Search）这两种解码策略，以下描述正确的是：

A 贪⼼搜索在每⼀步选择概率最⾼的词元，计算效率⾼但可能错过全局最优解 B 束搜索的束宽（Beam Width）越⼤，⽣成结果⼀定越好 C 贪⼼搜索等同于束宽为0的束搜索 D 贪⼼搜索等同于束宽为0的束搜索

10.

关于过拟合（Overfitting）现象，以下描述正确的是？

A 模型在训练集和测试集上表现都很好 B 模型过于简单，⽆法捕捉数据特征 C 模型在训练集上表现很好，但在测试集上表现差 D 模型参数数量过少导致性能下降

11.

直接偏好优化（Direct Preference Optimization, DPO）的核⼼思想是什么？

A 通过强化学习从⼈类反馈中直接优化策略 B 将偏好学习问题转化为⼆元分类任务进⾏优化 C 使⽤隐式奖励建模，避免显式的奖励函数学习 D 通过策略概率⽐的对数构建损失函数，直接优化偏好数据

12.

关于前缀微调（Prefix Tuning）与提⽰微调（Prompt Tuning）的异同点，以下哪种说法最准确？

A 两者都只在输⼊层添加可训练参数，不修改模型内部结构 B 前缀微调在每⼀层都添加可训练前缀，⽽提⽰微调仅在输⼊层添加提⽰ C 提⽰微调通过梯度更新优化提⽰向量，前缀微调仅使⽤⼈⼯设计的模板 D 前缀微调需要修改模型架构，提⽰微调完全不需要训练任何参数

13.

关于AdamW优化器的改进，以下说法正确的是？

A 移除了权重衰减与梯度更新的耦合关系 B 增加了动量因⼦的计算复杂度 C 取消了学习率⾃适应机制 D 仅适⽤于计算机视觉任务

14.

在深度学习模型训练过程中，梯度裁剪（Gradient Clipping）技术的主要作⽤是什么？

A 加速模型收敛速度，提⾼训练效率 B 防⽌梯度爆炸，维持训练稳定性 C 减少模型参数量，降低计算复杂度 D 增强模型泛化能⼒，防⽌过拟合

15.

关于知识利⽤能⼒评测中时效性要求的理解，以下哪项描述最准确？

A 仅开卷问答需要考虑知识时效性 B 所有任务类型都需要考虑知识时效性 C 时效性只影响知识检索任务 D 时效性仅与知识更新机制相关

16.

在评估⼤语⾔模型的逐步推理能⼒时，以下哪种情况最能体现模型的真实推理⽔平？

A 模型直接给出最终答案，不展⽰中间步骤 B 模型⽣成的推理步骤逻辑连贯且可验证 C 模型引⽤⼤量外部知识但不解释推理过程 D 模型重复问题描述后直接给出结论

17.

已知标准注意⼒的计算复杂度为，其中序列⻓度为 O(L²d)，特征维度为 L。设

A

O(Ld + d ²）

B

O(Ld ²）

C

O(Ld + L ²）

D

O(Ld ）

18.

在深度学习模型训练中，混合精度训练（Mixed Precision Training）技术的主要作⽤是什么？

A 通过使⽤单精度浮点（float32）主副本维护参数精度，结合半精度浮点（float16）计算提升训练速度，并采⽤损失缩放避免梯度下溢 B 完全消除半精度浮点的数值精度损失，使其与单精度浮点等效 C 将半精度浮点数据转换为整型进⾏计算，以进⼀步加速训练 D 通过增加模型参数量来补偿半精度浮点带来的精度损失

19.

在提⽰学习中，以下哪项不属于⼈⼯提⽰设计的基本原则？

A 提⽰应清晰明确，避免歧义 B 提⽰应包含⾜够上下⽂信息 C 提⽰应尽可能复杂以测试模型极限 D 提⽰应考虑⽬标模型的特性

20.

某预训练任务初始批次⼤⼩（Batch Size）为256，采⽤梯度累积（Gradient Accumulation）策略每4步更新⼀次，实际等效批次⼤⼩是多少？若改为动态调整策略，在训练中期将批次⼤⼩增⾄ 512，请计算梯度累积步数应如何调整以保持等效批次⼤⼩不变？

A 等效1024，累积步数改为2步 B 等效512，累积步数改为2步 C 等效1024，累积步数改为8步 D 等效512，累积步数改为8步

21.

Qwen2.5 模型需要加载⽀持⾃定义代码的分词器。请选择正确的加载⽅式：

A AutoTokenizer.from_pretrained(model_name, trust_remote_code=True) B AutoTokenizer.load(model_name) C AutoProcessor.from_pretrained(model_name) D AutoTokenizer(model_name)

22.

为优化推理效率，需要⾃动分配 GPU 设备并使⽤半精度格式以节省显存。请选择正确的模型加载⽅式：

A AutoModelForCausalLM.from_pretrained(model_name, device_map="auto", trust_remote_code=True) B AutoModelForSeq2SeqLM.from_pretrained(model_name, device_map="auto", torch_dtype=torch.float16, trust_remote_code=True) C AutoModelForCausalLM.load(model_name, device_map="auto", torch_dtype=torch.float16, trust_remote_code=True) D AutoModelForCausalLM.from_pretrained(model_name, device_map="auto", torch_dtype=torch.float16, trust_remote_code=True)

23.

推理前需要将模型移⾄⽬标设备并切换到评估模式以禁⽤ Dropout 等训练⾏为。请选择正确的实现⽅式：

A model.train() B model.to(device).eval() C model.cuda() D model.bfloat16()

24.

需要对 logits 应⽤温度缩放并通过 softmax 转换为概率分布以控制⽣成多样性。请选择正确的实现⽅式：

A torch.softmax(logits / temperature, dim=-1) B torch.softmax(logits * temperature, dim=0) C torch.sigmoid(logits) D torch.softmax(logits, dim=-2)

25.

⽣成完成后需要将新增的 token 序列解码为可读⽂本。请选择正确的解码⽅式：

A tokenizer.decode(new_tokens[i]) B tokenizer.batch_decode(new_tokens, skip_special_tokens=True) C tokenizer.decode(new_tokens[i].tolist(), skip_special_tokens=True) D tokenizer.decode(tokens, skip_special_tokens=False)

26.

需要将 q_nope 通过头依赖的权重矩阵 k_nope_w 投影到 KV 低秩空间。请选择正确的张量运算⽅式：

A torch.einsum("bhqd,hdc->bhqc", q_nope, k_nope_w) B torch.einsum("bhqd,chd->bhqc", q_nope, k_nope_w) C ttorch.matmul(q_nope, k_nope_w) D torch.einsum("bhdq,hdc->bhqc", q_nope, k_nope_w)

27.

投影后的查询向量需要与 kv_cache 做相关性计算以获得注意⼒分数。请选择正确的实现⽅式：

A torch.einsum("bhqc,cbt->bhqt", q_nope_proj, kv_cache) B torch.matmul(q_nope_proj, kv_cache.transpose(-2, -1)) C torch.einsum("bhcq,btc->bhqt", q_nope_proj, kv_cache) D torch.einsum("bhqc,btc->bhqt", q_nope_proj, kv_cache)

28.

需要合并两部分注意⼒分数并应⽤ softmax_scale 进⾏缩放。请选择正确的实现⽅式：

A (scores_nope + scores_pe) / q_nope.size(1) B scores_nope + scores_pe C (scores_nope + scores_pe) * softmax_scale D (scores_nope @ scores_pe) / softmax_scale

29.

为实现因果注意⼒，需要将掩码中不可⻅位置的分数设置为负⽆穷。请选择正确的实现⽅式：

A logits * causal_mask B logits.masked_fill(causal_mask == 0, float("-inf")) C logits.masked_fill(causal_mask == 1, float("-inf")) D logits + causal_mask

30.

最后需要使⽤ v_w 将聚合后的向量 x 从 KV 空间映射回值空间。请选择正确的实现⽅式：

A torch.einsum("bhqt,hdc->bhqd", attn, v_w) B torch.matmul(x, v_w) C torch.einsum("bhqd,hdc->bhqc", x, v_w) D torch.einsum("bhqc,hdc->bhqd", x, v_w)

提交试卷

退出练习

正在提交