GESP 1-4级 -- GESP 5-8级 -- CSP-J/S --

分类题库

人工智能大模型

按题型、年份与知识点筛选，快速定位练习题。

共 4 题 2025年

Scratch题库 Python题库信息学奥赛题库蓝桥杯青少组题库信息技术题库机器人技术题库 C++编程题库 NOC大赛题库信息素养大赛题库人工智能大模型

全部单选编程题

全部 2025年

全部大语言模型人工智能伦理人工智能注意力机制监督学习强化学习自注意力机制数据偏见人类对齐指令微调 Transformer架构提示词工程约束条件张量维度变换注意力掩码低秩分解参数高效微调推理能力优化语言模型直接偏好优化困惑度大语言模型评测模型能力评估大语言模型推理模型公平性模型评估贪心搜索束搜索解码策略掩码语言模型预训练任务自监督学习深度学习模型训练机器学习基础提示学习

题目列表

共 4 题

A53064 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 2025年注意力机制计算复杂度序列长度特征维度单选 A53060 多头注意⼒（Multi-Head Attention, MHA）是 Transformer 架构的核⼼组件，在⼤语⾔模型中扮演着⾄关重要的⻆⾊。MHA 通过并⾏计算多个注意⼒头，能够让模型同时关注序列中不同位置的不同表⽰⼦空间，从⽽捕获更丰富的语义信息和位置关系。在标准 MHA 中，每个注意⼒头都维护独⽴的 Key (K) 和 Value (V) 缓存（KV Cache），这在推理阶段会带… 2025年注意力机制张量维度变换低秩分解缓存与掩码编程题 A53038 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： 2025年注意力机制大语言模型 Transformer架构单选 A53021 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？ 2025年大模型推理注意力机制显存管理单选