1.
目前主流的生成式大语言模型（如GPT系列）的核心架构通常基于：
2.
用于指令微调的数据通常具有什么典型特征？
3.
关于“贪心搜索”和“束搜索”这两种解码策略，以下哪种说法是最准确的？
4.
大模型“人类对齐”的核心目标是使得模型的行为
5.
大语言模型在解决一道复杂的数学应用题时，生成了一段非常长的思考过程，其中包 含了将问题分解为多个子步骤、对每个步骤进行详细解释、并逐步推导出中间结果。这种推理模式的主要优势是什么？
6.
关于AI智能体的角色配置文件设置，下列哪个说法是最准确的？
7.
在评估一个代码生成智能体时，我们常使用 Pass@K 指标。假设我们有一个包含 n=100 个编程问题的测试集。对于每个问题，让智能体独立生成 k=5 个不同的代码解决方案。 如果对于某个问题，生成的 5 个方案中有任意一个能够通过单元测试，该问题就被视为“已解 决”。最终，在 100 个问题中，有 60 个问题被成功解决。
根据上述描述，以下关于 Pass@K 的计算和解释，哪一项是正确的？
8.
下列哪一项通常不属于对大语言模型进行系统评测的核心内容
9.
在 Transformer 的自注意力机制中，关于 Query、Key 和 Value 的来源，以下哪一项描 述是最准确的？
10.
下列哪一项不属于测试时间拓展（Test Time Scaling，TTS）技术？
11.
为了保障社会群体的“公平安全”，避免模型输出产生歧视性内容，最关键的缓解方法是在哪个阶段介入
12.
当前意义上的“大语言模型”最显著的特征不包括以下哪一项
13.
基于强化学习的推理能力优化方法面临的主要挑战是什么
14.
关于语言模型的困惑度，以下描述正确的是
15.
关于监督学习和无监督学习的区别，以下说法正确的是：
16.
在使用低秩自适应法(Low-Rank Adaptation, LoRA)对一个大语言模型进行微调时，以下哪个操作是其典型的流程？
17.
一个 AI 团队在完成其大型模型的监督微调后，准备进行偏好对齐。他们收集了大量成 对的人类偏好数据，每个提示词对应一个更受偏好的响应和一个不太理想的响应。团队在传统 从人类反馈中强化学习（Reinforcement Learning from Human Feedback，RLHF）和新兴的 直接偏好优化（Direct Preference Optimization，DPO）两种技术路线间进行抉择。如果他们 选择直接偏好优化方案，将意味着他们在流程中可以省去以下哪个关键步骤？
18.
下列哪一项是混合专家模型（Mixture of Experts，MoE）面临的主要挑战？
19.
大模型推理加速工具 vLLM 之所以能够极大地提升大型语言模型的高吞吐量服务性能， 其最核心的架构创新在于什么？
20.
学习率预热是大模型训练中一项非常重要的技术。它的主要目的是什么？
21.
Qwen2.5 可能包含自定义分词器/处理逻辑，要求与模型端一致的 remote code。 请选择一种能正确加载该模型分词器的方式：
22.
请参考题目描述的计算资源，在尽量保持训练稳定和速度的前提下，选择常见且 相对节省显存的 LoRA 配置：
23.
为了配置 LoRA 权重的注入位置，以下代码更合理的是：
24.
显存限制和内存溢出（Out Of Memory, OOM）风险下，以下配置最稳妥的是：
25.
为了配置训练的数据类型，以下代码更合理的是：
26.
在 GQA 机制中，键值头数少于查询头数，需要将 KV 张量扩展以匹配 Q 的头数，以 下代码更合理的是：
27.
在 Scaled Dot-Product Attention 中，需要对 QK^T 的结果进行缩放以稳定梯度和数值 范围，以下代码更合理的是：
28.
此处需要计算查询与键的点积，得到注意力分数（logits），以下代码更合理的是：
29.
在自回归生成任务中，需要应用掩码来防止模型在计算注意力时"看到"未来的内容，以 下代码更合理的是：
30.
在 Attention 机制的最后一步，需要使用注意力权重对值向量进行加权求和，得到最终 输出，以下代码更合理的是：