61题
使用 LlamaIndex 构建 RAG 应用时，若需提升检索结果的精准度，以下哪种方案最有效？
A. 增大文本切片的长度，减少切片数量
B. 引入 Rerank 重排模型对初步检索结果二次筛选
C. 降低 Embedding 模型的维度，减少计算量
D. 减少 similarity_top_k 的值，减少召回数量
答案：B
解析：A. 增大切片长度易破坏语义完整性，可能引入冗余信息，降低检索精准度；B. Rerank 模型能基于更精细的语义理解对初步召回结果打分排序，筛选出与查询最相关的片段，是提升检索精准度的核心有效方案；C. 降低 Embedding 模型维度会丢失语义信息，导致向量表征精度下降，反而降低检索效果；D. 减少召回数量可能遗漏相关文档，影响检索完整性，无法提升精准度，因此 B 正确。
62题
以下代码用于实现大模型 API 调用的重试机制，请问存在哪些问题？
|------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| python import requests def call_llm_api_with_retry(prompt, retry_times=3): for i in range(retry_times): try: response = requests.post( url="https://api.example.com/llm", json={"prompt": prompt} ) response.raise_for_status() return response.json() except Exception as e: print(f"重试第 {i+1} 次，错误：{e}") return None |
A. 未设置重试间隔，可能触发 API 限流
B. 捕获所有异常，可能掩盖严重错误
C. 未判断响应数据格式是否正确
D. 重试次数固定，无法适配不同错误场景
答案：ABCD
解析：A. 无重试间隔会导致短时间内多次重试，触发 API 限流机制，加剧调用失败；B. 捕获所有 Exception 会掩盖如内存溢出等严重错误，不利于问题排查；C. 仅判断 HTTP 状态码正确，未校验返回数据是否为有效 JSON 或符合预期格式，可能导致后续解析失败；D. 固定重试次数不合理，如网络中断可重试，而 API Key 无效重试无意义，应按错误类型动态调整，因此 ABCD 均正确。
63题
关于大模型的 System Prompt，以下描述错误的是？
A. 用于设定模型的角色和行为准则
B. 会占用模型的上下文窗口长度
C. 仅在第一次对话中生效，后续对话不生效
D. 可用于限制模型的输出范围和格式
答案：C
解析：A. System Prompt 核心作用之一是设定模型角色（如"资深工程师"）和行为准则（如"仅用专业术语回答"）；B. System Prompt 属于模型输入的一部分，会占用上下文窗口长度，过长可能影响用户输入和历史对话的容纳量；C. 错误，在多轮对话中，System Prompt 通常会持续存在于上下文窗口中，全程约束模型行为；D. 可通过 System Prompt 限制输出范围（如"仅回答计算机相关问题"）和格式（如"输出 JSON 格式"），因此 C 正确。
64题
使用 LangChain 调用大模型时，以下哪个组件用于将自然语言查询转换为向量？
A. ChatOpenAI
B. OpenAIEmbeddings
C. ConversationChain
D. VectorStore
答案：B
解析：A. ChatOpenAI 是 LangChain 中用于调用大模型对话功能的组件；B. OpenAIEmbeddings 是 Embeddings 类的实现，专门用于将自然语言文本（如查询、文档）转换为向量表示；C. ConversationChain 用于构建多轮对话流程；D. VectorStore 用于存储和检索向量，不负责向量转换，因此 B 正确。
65题
以下哪些属于大模型微调过程中的数据质量要求？
A. 数据样本需与目标任务高度相关
B. 数据中需包含大量重复样本，提升模型记忆效果
C. 数据标签需准确无误，避免标注错误
D. 数据量需充足，满足模型学习任务特征的需求
E. 数据格式需统一，符合模型输入要求
答案：ACDE
解析：A. 微调数据需贴合目标任务（如训练客服对话模型需用客服场景数据），否则模型无法学习有效特征；C. 标签错误会引导模型学习错误映射关系，严重影响微调效果；D. 数据量不足会导致模型欠拟合，无法充分学习任务规律；E. 统一数据格式（如固定的输入输出键名）能确保模型正常读取数据；B. 错误，重复样本会导致模型过拟合，降低泛化能力，因此 ACDE 正确。
66题
在 RAG 系统中，若用户查询为"请总结项目管理的核心流程"，以下哪种文档切片方式最有利于模型生成准确答案？
A. 按固定 200 字符长度分割文档
B. 按"项目管理流程"相关的章节边界分割
C. 按标点符号随机分割
D. 将整个文档作为一个完整切片
答案：B
解析：A. 固定长度分割易割裂"项目管理流程"的完整逻辑，导致切片信息不完整；B. 按相关章节边界分割，能确保切片包含"项目管理核心流程"的完整语义单元，为模型生成准确答案提供充足依据；C. 随机按标点分割无法保证流程信息的完整性；D. 若文档过长，整个文档作为切片会超出模型上下文窗口，导致模型无法完整处理，因此 B 正确。
67题
以下代码用于大模型微调的优化器配置，请问代码的作用是什么？
|---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| python from torch.optim import AdamW def configure_optimizer(model, lr=2e-5, weight_decay=0.01): no_decay = ['bias', 'LayerNorm.weight'] optimizer_grouped_parameters = [ { 'params': [p for n, p in model.named_parameters() if not any(nd in n for nd in no_decay)], 'weight_decay': weight_decay }, { 'params': [p for n, p in model.named_parameters() if any(nd in n for nd in no_decay)], 'weight_decay': 0.0 } ] optimizer = AdamW(optimizer_grouped_parameters, lr=lr) return optimizer |
A. 为模型不同参数设置不同的权重衰减策略
B. 动态调整学习率，提升微调效果
C. 冻结模型部分参数，减少计算量
D. 初始化模型参数，为微调做准备
答案：A
解析：代码核心逻辑是对模型参数进行分组并设置不同权重衰减；no_decay 列表指定了不需要权重衰减的参数（bias、LayerNorm.weight），其余参数设置 weight_decay=0.01，实现差异化权重衰减策略；B. 代码未涉及学习率动态调整（需学习率调度器如 StepLR）；C. 未冻结参数（冻结需设置 requires_grad=False）；D. 未进行参数初始化，仅配置优化器，因此 A 正确。
68题
关于大模型应用的算法备案，以下说法正确的是？
A. 所有大模型应用均需进行算法备案，无例外情况
B. 算法备案需在应用上线前完成
C. 备案完成后无需更新，永久有效
D. 仅需向大模型服务提供商提交备案材料即可
答案：B
解析：A. 错误，部分简单应用（如仅调用大模型进行文本润色且无复杂算法逻辑）可能无需备案，需根据相关规定判断；B. 正确，根据《生成式人工智能服务管理暂行办法》，生成式 AI 应用上线前必须完成算法备案；C. 错误，若应用算法、功能发生重大变更，需重新提交备案；D. 错误，算法备案需向监管部门提交材料，并非仅向服务提供商提交，因此 B 正确。
69题
使用异步方式调用大模型 API 时，以下哪个 Python 库是常用的异步 HTTP 客户端？
A. requests
B. aiohttp
C. urllib
D. httplib2
答案：B
解析：A. requests 是同步 HTTP 客户端，不支持异步调用；B. aiohttp 是 Python 主流的异步 HTTP 客户端库，专门用于异步网络请求，适用于异步调用大模型 API；C. urllib 是 Python 标准库中的同步 HTTP 工具；D. httplib2 也是同步 HTTP 客户端，因此 B 正确。
70题
以下哪些指标可用于评估大模型微调的效果？
A. 损失值（Loss）：训练集和验证集的损失变化趋势
B. 准确率（Accuracy）：分类任务中预测正确的样本比例
C. BLEU 分数：生成任务中与参考文本的相似度
D. 响应时间：模型生成答案的耗时
E. 召回率（Recall）：分类任务中正确预测的正样本比例
答案：ABCE
解析：A. 损失值直观反映模型学习效果，训练集和验证集损失稳步下降且最终稳定在较低水平，说明微调有效；B. 准确率是分类任务的核心评估指标，体现模型分类精准度；C. BLEU 分数适用于翻译、文本生成等任务，衡量生成文本与参考文本的匹配度；E. 召回率适用于分类任务，体现模型对正样本的识别能力；D. 响应时间是模型推理性能指标，与微调效果（模型学习能力）无关，因此 ABCE 正确。