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 6 题编程题

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 6 题

A53072 Qwen2.5-VL 是多模态⼤语⾔模型（Vision-Language Model, VLM），能够同时处理图像与⽂本输⼊，实现图⽂问答与视觉描述等任务。以下代码演⽰了使⽤ Qwen2.5-VL-7B-Instruct 模型，对输⼊图像进⾏分析并⽣成⽂本回答。请阅读以下代码，并根据描述完成空缺部分。import torch 2025年多模态模型模型加载与推理图像读取提示构建编程题 A53071 在⼤语⾔模型的实际部署中，推理阶段通常需要在保证稳定性、时延与显存效率之间取得平衡。常⻅策略包括： • 将模型切换⾄推理模式以禁⽤ Dropout； • 在推理时关闭梯度计算以减少显存占⽤； • 通过温度采样（Temperature Sampling）或核采样（Top-p Sampling）控制⽣成的多样性。以下⽰例基于 Qwen2.5-7B 模型，实现了推理函数 deploy_generat… 2025年大语言模型推理温度采样梯度计算控制模型推理模式编程题 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 A53040 程序题：检索增强生成这是一个基于检索增强生成（Retrieval-Augmented Generation, RAG）的问答系统实现。该系统包含两个主要组件： 1. 检索器（Retriever）：使用嵌入模型将文档转换为向量，根据查询语义检索最相关的文档 2. 生成器（Generator）：基于检索到的相关文档和原始问题，生成准确的答案请根据代码逻辑和注释提示，补全Python代码中的空位。… 2025年注意力掩码检索增强生成向量检索文本生成编程题 A53039 程序题：参数高效微调低秩适配方法 LoRA（Low-Rank Adaptation）是一种参数高效微调方法，通过只训练部分低秩矩阵插入至原始模型的关键层，实现大语言模型的高效定制。与传统微调相比，LoRA 显著减少了训练参数量和显存需求，适用于资源受限场景下的大模型下游训练。一个典型训练场景如下：模型：Qwen-2.5-7B-Instruct；LoRA 仅插入注意力机制中关键的两个投影层。•… 2025年大语言模型微调 LoRA低秩适配半精度训练显存优化编程题 A53019 程序题：分组查询注意力本题旨在考察你对分组查询注意力 (Grouped-Query Attention, GQA) 单步推理的理解与实现能力。题目提供了一个带有 5 个空缺的Python函数 attn_step_gqa，你需要从给定的选项中选择正确答案填入。import math 2025年分组查询注意力张量维度变换注意力掩码缓存更新编程题