1、以下哪些情况可能导致大模型检索不准确？
A.文档中包含大量的图片信息，而当前的文档解析器无法有效提取和理解图片内容。
B.使用了基于深度学习的语义搜索引擎，但模型训练数据不足，导致检索结果不准确。
C.文档中包含复杂的表格结构，而简单的文本解析器无法理解表格单元格之间的关系。
D.使用了复杂的文档解析器，导致解析速度慢，影响检索效率。
E.索引构建过程中使用了错误的 embedding 模型，导致语义相似度计算错误。
F.文档切片时，仅简单地按照字符长度进行分割，丢失了文档的语义信息。
答案：ABCEF
解析：复杂文档解析器导致解析速度慢，主要影响的是检索效率，而非检索的准确性。
2、关于 Qwen-Max、CosyVoice 和 moviepy 的协同使用，以下哪些说法是正确的？
A.CosyVoice 可以将文本转换为音频。
B.CosyVoice 的主要功能是视频剪辑。
C.moviepy 可以直接将文本转换为视频。
D.Qwen-Max 主要用于生成视频字幕。
E.moviepy 可以用来获取音频文件的持续时间，用于生成字幕。
F.使用这三个工具的典型流程是，Qwen-Max -> CosyVoice -> moviepy。
答案：AEF
解析：B.CosyVoice 主要功能是语音合成，将文本转化为语音，而不是视频剪辑；C.moviepy 是一个用于视频编辑的 Python 库，但它不能直接将文本转换为视频，需要结合其他操作来实现；D.Qwen-Max 是一个语言模型，主要用于生成文本等自然语言处理任务，而不是专门用于生成视频字幕，虽然可以生成字幕相关文本，但这不是其主要功能。
3、小李正在使用大模型服务平台开发一款 AI 语音助手 APP。为了确保 APP 能够顺利上线，小李在开发过程中应注意哪些事项？
A.关注《生成式人工智能服务管理暂行办法》的最新动态，及时调整 APP 的功能和策略。
B.在 APP 上线前完成算法备案手续。
C.忽略备案要求，尽快上线抢占市场。
D.对用户生成的 AIGC 内容进行审核和过滤，避免传播违规信息。
E.收集用户数据前需获得用户明确同意，并保障用户数据安全。
F.在 APP 中明确告知用户该应用使用了 AIGC 技术。
答案：ABDEF
解析：C 严重错误。未备案即上线属于违法行为，将面临处罚。
4、以下哪些因素会影响 RAG 系统的性能？
A.硬件资源的限制
B.文档的质量和数量
C.向量数据库的类型和配置
D.查询语句的表达方式
E.所使用的预训练语言模型的大小和性能
F.切片方法的选择
答案：ABCDEF
解析：影响RAG系统性能的因素涵盖多个维度：A.硬件资源限制会直接影响模型推理、检索速度等核心环节的效率，进而影响整体性能；B.文档质量越高、数量越充足且贴合检索需求，越能为RAG系统提供优质数据源，反之则会降低性能；C.向量数据库的类型适配度和配置合理性，决定了语义检索的效率和准确性，是影响性能的关键；D.查询语句表述是否清晰、精准，会影响系统对用户需求的理解，进而影响检索结果的匹配度；E.预训练语言模型的大小和性能直接关系到语义理解、内容生成的质量，是RAG系统的核心能力支撑；F.合理的切片方法能保留文档语义完整性，不当切片会破坏信息逻辑，降低检索和生成效果。因此以上所有因素均会影响RAG系统性能。
5、通过 Llamaindex 创建 RAG 应用，这段代码有哪些问题？
python
query_engine = index.as_query_engine( similarity_top_k=3,
streaming=True, node_postprocessors=[
DepthScopeRank(top_n=8, model="gte-rerank"), SimilarityPostprocessor(similarity_cutoff=1)]
)
response = query_engine.retrieve("需求分析使用的工具是什么？")
response.print_response_stream()
A. query_engine 不支持 retrieve
B. 重排选中的 chunk 数大于初步召回的 chunk 数
C.相似度阈值设置过高
D.Llamaindex 在 RAG 回答时不可以使用流式输出
答案：ABC
解析：A.在Llamaindex中，query_engine的核心方法是query()，retrieve()是retriever对象的方法，query_engine不支持retrieve()调用，此为代码核心问题；B.代码中similarity_top_k=3表示初步召回3个chunk，而DepthScopeRank的top_n=8表示重排时要选中8个chunk，重排选中数量大于初步召回数量，逻辑矛盾，无法实现；C.相似度阈值similarity_cutoff=1设置过高，通常相似度阈值取值范围在0-1之间，设置为1意味着仅匹配度完全一致的chunk才会被保留，实际应用中几乎无法满足，导致检索失效；D.错误，Llamaindex的query_engine支持通过streaming=True开启流式输出，print_response_stream()可正常使用，因此D不属于代码问题。
6、以下哪些描述符合基于语义的文档切片的理念？
A.使用机器学习模型对文档进行语义分析，并根据语义边界进行切分。
B.在 Chunk 中添加上下文信息，例如标题、父级列表项等。
C.将代码模块单独切出来，并标注其编程语言。
D.将文档按照固定长度进行切分。
E.将表格的每个单元格作为一个独立的 Chunk。
F.根据文档的结构，例如标题、段落、列表等进行切分
答案：ABCF
解析：D 固定长度切片（如 512 字符）是机械式方法，会破坏句子、段落或逻辑单元的完整性，违背语义切片理念。E 将完整表格（或逻辑子表）作为一个 Chunk，或转换为 Markdown 等保留结构的格式更符合语义切片理念。
7、下列关于将 AgentModule 类设计为基类的原因，正确的有哪些？
python
class AgentModule():
def init(self, name: str, description: str):
self.name = name
self.description = description
def call(self, query:str):
return self.query(query)
def query(self, query:str):
pass
A. 简化子类中的构造函数，减少重复代码
B. 由于 Python 不支持多重继承，因此需要这样设计
C.允许每个子类定义自己的 query 方法，增加灵活性
D.作为一个基类，可以方便地隐藏私有属性，保护数据
E.提供统一的 call 方法以便通过相同的方式调用所有子类
F.使得多个不同的代理模块可以共享相同的接口，实现代码复用
答案：ACEF
解析：B Python 支持多重继承，因此该选项的说法本身错误，设计基类与 Python 是否支持多重继承无关；D 基类的设计主要是为了实现代码复用和统一接口，而不是为了隐藏私有属性，Python 中通过命名约定来表示私有属性，与基类的设计并无直接关系。
8、关于大模型在文本处理中的局限性，以下哪些陈述是准确的？
A.即使有合适的系统提示词，大模型生成的内容仍需人工复审以保证质量。
B.大模型技术已经完全成熟，能够无差错地执行所有文本转换和润色任务。
C.大模型可能在处理特定领域专业术语时出现误解。
D.大模型对用户查询的依赖性强，如果查询表述不清，结果可能偏离预期。
E.在没有明确指示的情况下，大模型可能无法自动识别源语言和目标语言。
答案：ACDE
解析：大模型技术还在不断发展和完善中，存在局限性，不能无差错地执行所有文本转换和润色任务。
9、在使用大语言模型时，什么是 "样例" 的作用？
A.确定目标用户
B.辅助模型生成单一答案
C.明确限制模型的回答长度
D.提供有指导性的案例
E.设定模型的情感色彩
F.抽象出实现方案
答案：BDE
解析：A 属于用户分析，C 属于长度控制，F 不属于样例的作用。
10、在下面的代码片段中，哪些是微调大语言模型训练循环中必要的步骤？
A.model.train ()
B.loss = criterion (predictions, targets)
C.predictions = model (inputs)
D.optimizer.step ()
E.optimizer.zero_grad ()
F.loss.backward ()
答案：ABCDEF
解析：微调大语言模型的训练循环需遵循完整的参数更新逻辑，各步骤均为必要环节：A.model.train()用于将模型切换到训练模式，开启梯度计算等训练相关配置；E.optimizer.zero_grad()用于清空上一轮迭代的梯度，避免梯度累积影响当前训练；C.predictions = model(inputs)是模型接收输入数据并生成预测结果的核心推理步骤；B.loss = criterion(predictions, targets)通过损失函数计算预测结果与真实标签的差异，是训练的核心评价指标；F.loss.backward()实现损失的反向传播，计算模型各参数的梯度；D.optimizer.step()根据反向传播得到的梯度，更新模型参数，完成一轮训练迭代。缺少任一环节都会导致训练逻辑不完整，无法实现有效微调。