31、在大模型应用开发中，以下哪些属于数据预处理的核心环节？
A.对文本数据进行去重和清洗
B.将非结构化数据（如PDF、图片）转换为结构化文本
C.为模型训练数据添加标签
D.调整模型的学习率
E.对长文本进行分块处理
F.优化模型的网络结构
答案：ABCE
解析：数据预处理是针对输入数据的处理环节，核心目标是提升数据质量和适配模型输入要求；A.文本去重清洗可去除冗余、无效数据，提升数据纯度，是核心预处理环节；B.非结构化数据转结构化文本，能将PDF、图片等格式的数据转化为模型可理解的文本形式，属于核心预处理；C.为训练数据添加标签，是监督式微调等场景下的关键预处理步骤，让模型能学习到输入与输出的对应关系；E.长文本分块可适配模型上下文窗口长度限制，属于针对文本数据的预处理；D.调整学习率、F.优化网络结构均属于模型训练/调优环节，而非数据预处理，因此排除。
32、关于大模型的上下文窗口（Context Window），以下描述正确的有哪些？
A.上下文窗口长度决定了模型能处理的输入文本最大长度
B.增大上下文窗口长度一定会提升模型的推理效果
C.不同大模型的上下文窗口长度可能不同
D.上下文窗口仅包含用户当前输入的查询文本
E.上下文窗口可包含历史对话信息，实现多轮对话能力
F.上下文窗口长度越小，模型推理速度通常越快
答案：ACEF
解析：A.上下文窗口的核心定义就是模型单次能接收和处理的最大文本长度，是其核心属性；B.错误，增大上下文窗口可能带来计算成本上升、推理速度下降等问题，且若数据质量差，反而可能降低推理效果，并非"一定"提升；C.正确，不同架构、不同量级的大模型，设计的上下文窗口长度（如4k、8k、32k）存在明显差异；D.错误，上下文窗口不仅包含当前查询，还可包含系统提示词、历史对话、参考文档等多类文本；E.正确，将历史对话纳入上下文窗口，是大模型实现多轮对话的核心机制；F.正确，上下文窗口越小，模型需要处理的文本数据量越少，推理时的计算量和耗时也会相应降低。
33、使用 LangChain 构建 RAG 应用时，以下哪些组件属于"检索（Retrieval）"环节的核心？
A.VectorStore
B.Embeddings
C.LLMChain
D.Retriever
E.PromptTemplate
F.DocumentLoader
答案：ABD
解析：RAG的检索环节核心是"从数据源中找到与查询相关的信息"；A.VectorStore（向量数据库）用于存储文档的向量表示，是检索的核心数据载体；B.Embeddings（嵌入模型）用于将用户查询和文档转换为向量，是实现语义检索的基础；D.Retriever（检索器）是LangChain中封装检索逻辑的核心组件，负责从VectorStore中召回相关文档；C.LLMChain是用于连接模型和提示词的执行链，属于"生成（Generation）"环节；E.PromptTemplate是提示词模板，用于构建生成环节的输入；F.DocumentLoader是文档加载组件，属于"数据预处理"环节，因此排除C、E、F。
34、以下哪些操作可以有效提升大模型生成内容的准确性？
A.在提示词中明确任务目标和输出要求
B.为模型提供相关的参考文档或上下文信息
C.减少模型的输出长度限制
D.使用少样本（Few-shot）示例引导模型生成
E.提高模型的温度（Temperature）参数
F.对生成结果进行多轮校验和修正
答案：ABDF
解析：A.清晰的任务目标和输出要求能减少模型的理解偏差，直接提升生成内容的准确性；B.提供参考文档/上下文，能为模型生成内容提供事实依据，避免凭空生成错误信息（RAG的核心逻辑）；D.少样本示例能直观展示正确的生成逻辑和结果，引导模型贴合预期，提升准确性；F.多轮校验修正可过滤生成内容中的错误，是提升最终结果准确性的有效手段；C.减少输出长度限制仅能控制内容篇幅，无法提升准确性，甚至可能因截断导致关键信息缺失；E.提高温度参数会增加生成内容的随机性，反而降低准确性，因此排除C、E。
35、在大模型 API 调用过程中，以下哪些属于常见的异常处理场景？
A.API Key 无效或过期
B.网络连接中断导致请求失败
C.请求参数格式错误（如缺少必填字段）
D.模型推理超时
E.生成的内容包含敏感信息
F.请求频率超出 API 限流阈值
答案：ABCDF
解析：异常处理针对的是API调用过程中的技术异常，而非生成内容的内容层面问题；A.API Key无效/过期会导致认证失败，是最常见的调用异常；B.网络中断会导致请求无法送达或响应无法接收，属于核心异常场景；C.参数格式错误会导致API无法解析请求，触发业务层面的异常；D.模型推理超时会导致请求超时失败，需处理重试或降级逻辑；F.请求频率超限会触发API的限流机制，返回限流错误，属于常见异常；E.生成内容含敏感信息属于内容审核范畴，而非API调用的技术异常，因此排除。
36、关于大模型的"温度（Temperature）"参数，以下说法正确的有哪些？
A.温度参数取值范围通常为 0~1
B.温度为 0 时，模型生成内容的随机性最低，结果最确定
C.温度越高，模型生成内容的多样性越强
D.温度参数仅影响模型的训练过程，与推理无关
E.对于需要精准回答的任务（如知识问答），建议设置较低的温度
F.对于创意生成类任务（如文案创作），建议设置较高的温度
答案：ABCEF
解析：温度参数是控制模型生成随机性的核心推理参数；A.主流大模型的温度参数默认取值范围为0++++1（部分模型可设置更高，但核心区间为0++++ 1）；B.温度为0时，模型会选择概率最高的输出，随机性几乎为0，结果最稳定确定；C.温度越高，模型会更倾向于选择概率较低的token，生成内容的多样性和随机性越强；D.错误，温度参数仅作用于模型推理阶段 ，与训练过程无关；E.精准问答需要稳定、确定的结果，低温度（如0.1++++0.3）能避免随机错误；F.创意生成需要多样、灵活的结果，高温度（如0.7++++0.9）能提升内容的创新性，因此排除D。
37、以下哪些属于大模型应用的合规风险点？
A.未获得用户同意收集个人信息用于模型训练
B.生成内容涉及侵犯他人知识产权
C.未对生成式AI应用进行算法备案
D.模型推理速度过慢
E.生成内容包含虚假信息或误导性内容
F.未对用户输入的敏感信息进行脱敏处理
答案：ABCEF
解析：合规风险点聚焦于法律法规、隐私保护、内容规范等层面；A.违反《个人信息保护法》，未经同意收集个人信息用于训练属于核心合规风险；B.生成内容侵犯著作权、商标权等知识产权，会引发法律纠纷；C.违反《生成式人工智能服务管理暂行办法》，未备案上线属于行政违规风险；E.生成虚假/误导性内容可能违反广告法、反不正当竞争法等，引发合规问题；F.未脱敏处理用户敏感信息（如手机号、身份证），违反数据安全相关法规；D.模型推理速度慢属于技术性能问题，而非合规风险，因此排除。
38、使用 Python 调用大模型 API 时，以下代码片段中哪些是正确的异步调用方式？
A.python
import aiohttp
async def call_llm_api(prompt):
async with aiohttp.ClientSession() as session:
async with session.post(
url="https://api.example.com/llm",
json={"prompt": prompt}
) as resp:
return await resp.json()
B.python
import requests
def call_llm_api(prompt):
resp = requests.post(
url="https://api.example.com/llm",
json={"prompt": prompt}
)
return resp.json()
C.python
import asyncio
async def call_llm_api(prompt):
loop = asyncio.get_event_loop()
resp = await loop.run_in_executor(
None,
lambda: requests.post("https://api.example.com/llm", json={"prompt": prompt})
)
return resp.json()
D.python
import httpx
async def call_llm_api(prompt):
async with httpx.AsyncClient() as client:
resp = await client.post(
url="https://api.example.com/llm",
json={"prompt": prompt}
)
return resp.json()
答案：AD
解析：异步调用的核心是使用异步IO库，避免阻塞线程；A.正确，使用aiohttp（异步HTTP库）的ClientSession发起异步POST请求，符合异步调用规范；D.正确，使用httpx.AsyncClient（支持异步的HTTP库）发起异步请求，是Python中主流的异步API调用方式；B.错误，requests是同步HTTP库，该代码为纯同步调用；C.错误，虽然使用了asyncio，但内部仍调用同步的requests.post，仅通过线程池包装，并非真正的异步调用，因此排除B、C。
39、在 RAG 系统中，以下哪些属于"增强（Augmentation）"环节的操作？
A.将检索到的相关文档片段拼接至用户查询后
B.对检索结果进行重排，提升优质片段的优先级
C.使用嵌入模型将用户查询转换为向量
D.将拼接后的文本作为输入传递给大模型生成答案
E.从向量数据库中检索与查询向量相似的文档
F.对生成的答案进行格式校验
答案：ABD
解析：RAG的"增强"环节是指"将检索到的信息增强到模型输入中"，连接检索和生成；A.将相关文档片段拼接至查询后，是增强环节的核心操作，让模型能基于检索信息生成答案；B.对检索结果重排，能提升优质片段的权重，让增强后的输入更有效；D.将拼接后的文本（查询+检索片段）传入模型，是增强环节的最终落地步骤；C.查询向量化、E.向量检索均属于"检索（Retrieval）"环节；F.答案格式校验属于"生成后处理"环节，因此排除C、E、F。
40、以下哪些指标可以用于评估大模型问答应用的效果？
A.准确率（Accuracy）：回答与标准答案的匹配程度
B.召回率（Recall）：检索到的相关文档占所有相关文档的比例
C.响应时间（Response Time）：从用户提问到返回答案的耗时
D.流畅度（Fluency）：生成回答的语言通顺程度
E.相关性（Relevance）：回答与用户问题的关联程度
F.参数量（Parameter Count）：模型的参数规模大小
答案：ABCDE
解析：评估指标需针对"问答应用的效果"，包括准确性、效率、体验等维度；A.准确率直接衡量回答的正确性，是核心评估指标；B.召回率衡量RAG系统检索环节的有效性，影响最终问答效果；C.响应时间衡量应用的性能效率，是用户体验的关键指标；D.流畅度衡量生成回答的语言质量，影响用户可读性；E.相关性衡量回答是否贴合用户问题，避免答非所问；F.参数量是模型本身的属性，与问答应用的实际效果无直接关联，因此排除F。