11、下列哪些因素会影响大语言模型微调的效果？
A.是否采用数据增强技术
B.计算资源的限制
C.微调数据的质量和数量
D.预训练模型的选择
E.微调持续的轮数（epochs）
F.微调时使用的超参数设置
答案：ABCDEF
解析：A.数据增强技术可扩充有效训练数据、提升数据多样性，减少过拟合，直接影响微调效果；B.计算资源不足可能导致无法使用较大批次、较复杂模型或完整训练轮次，限制微调潜力；C.高质量、足量且贴合任务的微调数据是模型学习特定知识的基础，数据质量或数量不足会导致微调效果不佳；D.不同预训练模型的参数规模、知识储备、适配场景不同，选择适配任务的预训练模型是微调成功的关键；E.轮次过少模型未充分学习任务特征，轮次过多易过拟合，需合理设置；F.学习率、批大小等超参数直接影响模型参数更新节奏和效果，超参数配置不当会导致微调失败。因此所有选项均会影响微调效果。
12、用户上传了一个包含复杂表格的 Markdown 文档，使用默认的 RAG 流程进行问答。用户提问关于表格中特定单元格含义的问题时，大模型经常给出错误或不相关的答案。请问以下哪些方案可以尝试解决这个问题？
A. 对用户提问进行预处理，提取表格相关的关键词。
B. 在文档切片时，将表格的行列信息添加到每个单元格的 Chunk 中。
C.将表格转换成 JSON 格式，然后使用 JSON Loader 加载数据。
D. 使用 OCR 技术识别表格中的文字，并将识别结果添加到文本中。
E. 使用更强大的 Embedding 模型。
F. 增加训练数据，让大模型更好地理解表格内容。
答案：ABCE
解析：C 方案最彻底，JSON 格式能结构化保留表格行列关联信息，便于模型精准定位单元格含义；B+A 组合适用于快速改进，添加行列信息让 Chunk 包含上下文，提取关键词提升检索针对性；E 方案作为补充，更强大的 Embedding 模型能更好捕捉表格语义关联；D 不建议，文档本身是 Markdown 格式，表格文字可直接提取，OCR 适用于图片类表格，此处多余；F 不建议，大模型理解表格依赖结构化信息而非额外训练数据，增加训练数据无法解决表格解析和检索的核心问题。
13、下列代码片段中，哪些涉及模型训练过程中的正则化或优化策略？
A.weight_decay = 0.001
B.ACP 大模型-1.png
C.optimizer = SGD(model.parameters(), lr=0.01, momentum=0.9)
D.scheduler = StepLR(optimizer, step_size=10, gamma=0.1)
E.model = nn.Dropout(p=0.2)
F.criterion = nn.CrossEntropyLoss()
答案：ACDE
解析：A.weight_decay（权重衰减）通过对模型参数施加惩罚，减少参数冗余，防止过拟合，属于正则化策略；C.SGD（随机梯度下降）是经典优化算法，lr（学习率）和 momentum（动量）是优化策略的核心参数，用于调整参数更新节奏；D.StepLR 是学习率调度器，通过 step_size 和 gamma 动态调整学习率，属于优化策略；E.Dropout 层通过随机丢弃部分神经元，减少模型对局部特征的依赖，防止过拟合，属于正则化策略；B 为无关图片信息，不涉及训练策略；F.CrossEntropyLoss 是损失函数，用于计算预测与标签的差异，仅为训练中的损失度量工具，不涉及正则化或优化策略。
14、通过 LlamaIndex 创建 RAG 应用，在修改默认 prompt 时，包含以下哪些步骤？
A.定义新的 prompt 字符串，将 chunk 和 query 的位置空出来
B. 使用新的 prompt 初始化一个 PromptTemplate 对象
C. 对新的 prompt 进行保存，使得 LlamaIndex 中的源代码 prompt 也变成中文
D. 用 index 的 update_prompts 方法将新的 prompt 同步上去
答案：AB
解析：C 和 D 选项存在事实性错误。修改默认 prompt 的核心步骤为：首先明确新 prompt 的结构，预留 chunk（检索内容）和 query（用户问题）的占位位置（A）；然后通过 PromptTemplate 类初始化新 prompt，使其符合 LlamaIndex 的调用规范（B）。C 错误，无需修改 LlamaIndex 源代码，通过 PromptTemplate 即可实现自定义 prompt 生效；D 错误，LlamaIndex 中没有 index.update_prompts 这一方法，自定义 prompt 需通过配置 query_engine 等组件实现应用。
15、有关输出格式要素的描述，以下哪项是正确的？
A.输出格式不影响大模型的应答
B.不需要明确不期望输出的内容
C.可使用案例来提示大模型的输出
D.应明确指出枚举值的范围
E.明确提供要输出的内容类型
F.无需结合样例来明确输出格式
答案：CDE
解析：A 错误，清晰的输出格式能引导大模型生成结构化、符合需求的结果，直接影响应答质量和可用性；B 错误，明确不期望输出的内容（如冗余信息、违规格式）可减少无效输出，提升应答精准度；C 正确，通过具体案例能直观展示期望的输出形式，帮助大模型理解格式要求；D 正确，明确枚举值范围（如"输出选项仅限 A、B、C"）可避免大模型生成超出预期的结果；E 正确，明确内容类型（如"输出 JSON 格式""输出表格"）能让大模型聚焦目标格式，减少歧义；F 错误，结合样例是明确输出格式最有效的方式之一，尤其对于复杂格式要求。
16、以下哪些选项是把 DASHSCOPE_API_KEY 配置为环境变量的原因？
A.防止 KEY 泄漏
B.配置为环境变量可以减少代码的行数。
C.环境变量会自动被 SDK 读取和使用。
D.环境变量可以加快程序的运行速度。
答案：AC
解析：B 配置环境变量本身不会减少代码行数，而是通过 SDK 自动读取环境变量来简化认证流程，与代码行数无关；D 环境变量的读取属于系统级操作，对程序运行速度的影响可忽略不计，不会显著提升性能；A 正确，将 API_KEY 配置在环境变量中，避免直接硬编码在代码里，降低代码泄露时 KEY 被窃取的风险；C 正确，多数 SDK 支持自动读取环境变量中的 API_KEY，无需手动在代码中传入，简化开发流程。
17、在进行 RAGAS 评测时，使用通过自定义 API 封装的 langchain LLM 对象主要有哪些优点？
A. 可以在 API 中定义 langchain LLM 类中不支持指定的参数
B. 由于 langchain 官方封装好的模型有限，因此通过自定义方法选择更多模型
C.可以打印出中间结果，帮助评测人员了解分数来源
D.无需输入 API Key 即可使用大模型
答案：ABC
解析：D 选项违反 API 调用基本原则，使用大模型 API 必须提供合法 API Key 进行身份验证，因此 D 错误；A 正确，自定义 API 封装可灵活扩展参数，补充 langchain 官方 LLM 类未支持的配置项；B 正确，langchain 官方封装的模型数量有限，自定义封装可对接更多未被官方支持的大模型，扩大选择范围；C 正确，自定义封装时可在 API 中添加日志打印逻辑，输出评测过程中的中间结果（如检索片段、评分依据等），方便评测人员排查问题、理解分数来源。
18、以下哪些代码片段可以用于检测用户输入中是否包含敏感词？
A.python
def detect_sensitive_words(text, sensitive_words):
for word in text.split():
if word in sensitive_words:
return True
return False
B.python
def detect_sensitive_words(text, sensitive_words):
return any(word in text for word in sensitive_words)
C.python
def detect_sensitive_words(text, sensitive_words):
added error handling
try:
return any(word in text.lower() for word in [w.lower() for w in sensitive_words])
except AttributeError: # in case text is not a string
return False
D.python
import nltk
def detect_sensitive_words(text, sensitive_words):
tokens = nltk.word_tokenize(text)
return any(token in sensitive_words for token in tokens)
E.python
def detect_sensitive_words(text, sensitive_words):
return text in sensitive_words
答案：ABCD
解析：E 错误，该代码判断整个输入文本是否完全等同于某个敏感词，无法检测文本中包含敏感词的情况（如文本为"这是假货"，敏感词为"假货"时，E 会返回 False）；A 正确，通过分割文本为单词，逐个匹配敏感词，可检测完整单词形式的敏感词；B 正确，使用 any() 函数简化匹配逻辑，只要文本中包含任一敏感词即返回 True；C 正确，增加了大小写不敏感匹配和异常处理，适配更多场景，鲁棒性更强；D 正确，通过 nltk 的分词工具拆分文本为tokens（词元），能更精准地匹配敏感词，适配复杂文本场景。
19、以下哪些选项属于提示词要素中的样例（Sample）？
A.请你扮演一位医生。
B.输入：汽车，输出：交通工具
C.用户输入："我想了解一下人工智能。" 你的回复："人工智能是......"
D.请用表格形式展示结果。
E.输入：苹果，输出：水果
F.请你总结这篇文章的中心思想 。
答案：BCE
解析：样例是指在提示词中提供具体的输入输出示例，用于指导模型生成符合期望的格式或内容；A 属于角色设定，明确模型的身份；D 属于输出格式要求，指定结果的展示形式；F 属于任务目标，明确模型需要完成的工作；B、C、E 均提供了具体的输入和对应的输出示例，属于提示词中的样例要素，能帮助模型理解任务要求和输出规范。
20、Assistant API 的 Assistant 类的各项功能中涵盖了以下哪些操作？
A.列举
B.剪切
C.复制
D.删除
E.更新
F.创建
答案：ADEF
解析：B/C 不属于原生功能，剪切和复制通常是文件或数据操作的功能，并非 Assistant API 中 Assistant 类的核心操作；A.列举（list）可获取已创建的 Assistant 实例列表；D.删除（delete）可移除不需要的 Assistant 实例；E.更新（update）可修改 Assistant 的配置信息（如描述、功能等）；F.创建（create）可新建 Assistant 实例，以上 A/D/E/F 是标准 CRUD 操作，属于 Assistant 类的核心功能。