学习测试 — Transformer Q Lab

1 单选题

以下哪个场景即使实现了 RAG，也解决不了根本问题？

A 客服无法回答产品手册上写得很清楚的功能问题 B AI 需要理解企业内部不同部门之间复杂的工作流程和审批规则，而这些规则从未在任何文档中正式写过 C AI 回答的法律条款引用了旧版本，需要更新到最新版 D AI 无法区分「官方文档」和「员工个人笔记」中的矛盾信息

2 多选题

某客户的 AI 项目失败了。他说「我们找了一个团队帮我们微调了模型，花了不少钱，但效果很差，回答反而比通用模型还差。」以下哪些是最可能的失败原因？（多选）

A 微调数据太少或者质量太差——用几百条低质量对话去微调一个千亿参数模型，效果还不如不调 B 出现了「灾难性遗忘」——微调让模型在新的小数据集上过拟合，反而忘掉了预训练阶段学到的通用能力 C 微调的技术原理本身是错误的 D 没有在微调前先用 Prompt/RAG 试试——可能问题本来就不需要微调就能解决

3 单选题

某企业在一个小规模数据集（500 条标注数据）上做文本分类。以下哪个方案最不合理？

A 使用预训练的 BERT 模型做微调 B 从零开始训练一个深度学习模型 C 使用传统 ML 方法（如 SVM）+ TF-IDF 特征 D 调用 GPT API，用 few-shot 提示做分类

4 多选题

以下哪些因素会影响 RAG 系统的回答质量？（多选）

A 文档切分（chunking）策略——切得太碎丢失上下文，切得太粗检索精度下降 B Embedding 模型的质量——不同的 embedding 模型对同一段文本的语义理解不同 C Retrieval 策略——是简单相似度匹配还是加 rerank 二次筛选 D Top-K 检索参数——K 值设得太大引入噪声，太小丢失相关信息

5 单选题

LLM 训练的四个阶段（预训练 → SFT → RLHF → 深度思考训练）中，有几个阶段对人类标注数据的依赖最高（即需要人类精心书写或评判）？

A 1 个——只有 SFT 需要人类写标准答案 B 2 个——SFT 需要人类写答案，RLHF 需要人类评判排序 C 3 个——预训练、SFT、RLHF 都需要大量人类标注 D 4 个——所有阶段都需要人类标注

6 单选题

「能用 Prompt 解决的不上 RAG，能用 RAG 解决的不微调」这个原则背后的核心逻辑是什么？

A Prompt 最便宜，微调最贵，所以按成本排序 B 越复杂的方案，维护成本越高、出问题越难定位、迭代速度越慢。技术选型应该从最简单可行的方案开始，而不是从最强大的开始 C Prompt 的效果最好，后面的方案都是降级 D 这是一个硬性规则，没有例外

7 单选题

某分析师用 LLM 分析财报，prompt 是「分析这份财报的问题」。结果 AI 全挑缺点，忽略了亮点。以下哪个改进最有效？

A 把问题改成「请全面、客观地分析这份财报的优势和风险，不要遗漏任何重要信息」，并补充「先列出正面指标，再列出风险指标」 B 用结构化 prompt 模板替代自然语言描述，确保每次输入格式一致 C 给 LLM 提供该企业过去 3 年的财报作为参考上下文（RAG） D 先用小模型做情感分析预处理，再把结果喂给 LLM 做最终判断

8 多选题

以下关于 LLM 训练各阶段的数据需求，哪些说法是正确的？（多选）

A 预训练阶段的数据量最大（TB/Trillion token 级别），但数据质量要求相对宽松——互联网级别的文本经过基础清洗即可 B SFT 阶段数据量最小（几千到几万条），但对质量要求极高——每一对「问题-标准答案」都需要人类精心标注 C RLHF 阶段的偏好数据只需要标注员选出「哪个回答更好」，不需要写出标准答案，这降低了标注门槛 D 预训练数据里出现了 Stack Overflow 的代码片段，这会导致 LLM 学会写代码并自动侵犯版权

9 单选题

MoE（混合专家）架构是 DeepSeek 的核心竞争优势之一。以下哪一项不是 MoE 相比 Dense 架构的实际优势？

A 推理时每次只激活部分参数，降低推理成本 B 相同总参数量下，MoE 的推理速度更快 C MoE 的训练比 Dense 架构更简单，调参更容易 D MoE 可以在总参数量很大的情况下保持可控的推理成本

10 单选题

某电商平台有 100 万用户的历史购买数据，但没有任何用户标签。市场部想做个性化推荐。以下哪种方案设计最合理？

A 雇人标注 1 万条数据，然后用监督学习训练推荐模型 B 先用无监督学习（聚类）把用户分成若干群体，再在每个群体内做关联规则挖掘 C 用强化学习让 AI 自己试推荐策略，用户买了就奖励 D 因为没有标签，这个需求在技术上无法实现

🧠 学习测试