81题
使用 Qwen 模型 API 进行对话时，若需实现多轮对话的上下文关联，以下哪种做法正确？
A. 每次调用 API 仅传入当前用户查询，无需携带历史对话
B. 将历史对话（用户消息+模型回复）按顺序放入 messages 参数中
C. 仅传入上一轮的模型回复，无需携带用户历史查询
D. 通过设置 context 参数单独传入历史对话摘要
答案：B
解析：多轮对话上下文关联的核心是让模型感知完整的历史交互逻辑；A. 仅传当前查询会导致模型将每轮对话视为独立会话，无法实现上下文关联；B. 正确，Qwen 模型 API 的 messages 参数支持按"用户-模型"的交互顺序传入历史对话列表（如 [{"role":"user","content":"xxx"}, {"role":"assistant","content":"xxx"}]），模型会基于完整上下文生成连贯回复；C. 仅传模型回复缺少用户查询信息，无法形成完整交互逻辑；D. Qwen 模型 API 无 context 参数，上下文关联需通过 messages 参数实现，因此 B 正确。
82题
以下代码用于 RAG 系统的文档加载与切片，请问代码中 chunk_size=500 和 chunk_overlap=50 的作用是？
|------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| Python from langchain.document_loaders import TextLoader from langchain.text_splitter import RecursiveCharacterTextSplitter def load_and_split_doc(path): loader = TextLoader(path) documents = loader.load() text_splitter = RecursiveCharacterTextSplitter( chunk_size=500, chunk_overlap=50 ) splits = text_splitter.split_documents(documents) return splits |
A. 每个切片最大500字符，切片间重叠50字符，保留上下文关联
B. 每个切片固定500字符，丢弃前50字符以提升切片效率
C. 每个切片500字符，不足时补充50字符的空内容
D. 每个切片500字符，仅保留前50字符作为有效内容
答案：A
解析：RecursiveCharacterTextSplitter 是 LangChain 中基于语义的文本切片工具；chunk_size=500 表示每个切片的最大字符数为 500（非固定值，接近该长度且不割裂语义）；chunk_overlap=50 表示相邻切片之间重叠 50 字符，核心目的是保留相邻切片的上下文关联，避免因机械切片导致语义丢失；B、C、D 对参数作用的理解均错误，未把握重叠参数的设计初衷，因此 A 正确。
83题
关于大模型的微调与 RAG 架构的区别，以下描述错误的是？
A. 微调是将知识固化到模型参数中，RAG 是实时检索外部知识
B. 微调适用于静态知识场景，RAG 适用于动态知识场景
C. 微调的知识更新成本低，RAG 的知识更新成本高
D. 微调需要大量标注数据，RAG 对标注数据的需求较低
答案：C
解析：A. 正确，微调通过训练更新模型参数，将知识"内化"到模型中；RAG 不改变模型参数，通过检索外部数据库获取实时知识；B. 正确，静态知识（如固定的行业规范、历史常识）适合微调固化，动态知识（如实时新闻、频繁更新的政策）适合 RAG 实时检索；C. 错误，微调的知识更新需重新准备数据、训练模型，成本高、周期长；RAG 仅需更新外部知识库中的文档，成本低、效率高；D. 正确，微调需大量高质量标注数据用于训练，RAG 主要依赖未标注的文档数据，对标注数据需求低，因此 C 正确。
84题
使用大模型 API 时，以下哪种做法能有效降低调用成本？
A. 尽可能增加模型的输出长度限制，确保信息完整
B. 选择参数量更大的模型，提升回答质量
C. 对输入文本进行精简，去除冗余信息
D. 每次调用时同时传入多个不相关的查询，批量获取结果
答案：C
解析：大模型 API 通常按输入输出的 token 数量计费，降低成本的核心是减少无效 token 消耗；A. 增加输出长度限制会导致生成更多 token，直接增加成本；B. 参数量更大的模型计费标准更高，且相同输入下消耗 token 更快，会提升成本；C. 正确，精简输入文本、去除冗余信息（如无关背景描述、重复内容），能减少输入 token 数量，直接降低调用成本；D. 同时传入多个不相关查询会导致输入 token 激增，且可能影响模型回答质量，增加无效成本，因此 C 正确。
85题
以下代码用于实现大模型生成内容的敏感信息过滤，请问代码存在什么核心问题？
|------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| Python def filter_sensitive_info(content): sensitive_info = ["手机号", "身份证号", "银行卡号"] for info in sensitive_info: if info in content: content = content.replace(info, "***") return content |
A. 仅过滤敏感信息名称，未过滤实际的敏感数据（如138****1234）
B. 替换符号固定为"***"，无法适配不同场景
C. 敏感信息列表硬编码，不便于维护
D. 未处理 content 为 None 的异常情况
答案：A
解析：该代码的核心功能缺陷是对"敏感信息过滤"的目标理解偏差；A. 正确，代码仅过滤了"手机号""身份证号"等敏感信息的名称，而非实际的敏感数据（如具体的手机号13800138000、身份证号110101********1234），无法实现真正的敏感信息防护；B、C、D 均为代码的次要问题，可通过优化改进，但并非核心功能缺陷；题目聚焦敏感信息过滤的核心目标，因此 A 是最主要的问题。
86题
在 LlamaIndex 中，以下哪个组件用于统一配置大模型、嵌入模型等核心依赖？
A. ServiceContext
B. VectorStoreIndex
C. DocumentLoader
D. QueryEngine
答案：A
解析：A. ServiceContext 是 LlamaIndex 中的核心配置组件，用于统一管理大模型、嵌入模型、文本切片器等依赖，可通过它设置模型类型、调用参数（如温度、最大输出长度）等；B. VectorStoreIndex 用于构建向量索引，实现文档检索功能；C. DocumentLoader 用于加载 PDF、文本等各类格式的文档；D. QueryEngine 用于执行查询任务，整合索引和模型生成答案，因此 A 正确。
87题
关于大模型应用的用户隐私保护，以下哪种做法违反相关规定？
A. 收集用户信息时明确告知收集目的和使用范围
B. 将用户的聊天记录用于模型微调，未告知用户
C. 对用户上传的敏感文件进行加密存储
D. 用户注销账号后，及时删除其相关数据
答案：B
解析：A. 符合《个人信息保护法》的"告知-同意"原则，做法合规；B. 错误，用户聊天记录属于个人敏感信息，未经用户明确同意将其用于模型微调，违反了个人信息保护的核心规定，侵犯用户隐私；C. 对敏感文件加密存储能有效防止数据泄露，做法合规；D. 用户注销账号后删除相关数据，符合"数据最小留存"和用户权利保障要求，做法合规，因此 B 正确。
88题
以下哪些属于 RAG 系统中"生成（Generation）"环节的核心操作？
A. 将用户查询转换为向量
B. 构建提示词，拼接查询和检索到的文档片段
C. 调用大模型生成答案
D. 对生成的答案进行格式校验和合规审核
E. 从向量数据库中检索相关文档
答案：BCD
解析：RAG 系统的核心流程为"检索-增强-生成"；A. 查询向量化、E. 向量检索均属于"检索（Retrieval）"环节；B. 构建提示词并拼接查询与文档片段，是"增强（Augmentation）"环节的核心，为生成环节提供有效输入；C. 调用大模型生成答案是"生成"环节的核心执行操作；D. 对生成答案进行格式校验和合规审核，是"生成"环节的后处理步骤，确保输出质量和合规性，因此 BCD 正确。
89题
在大模型微调过程中，以下哪个指标特征可判断模型是否存在欠拟合？
A. 训练集损失低，验证集损失高
B. 训练集损失高，验证集损失也高
C. 训练集损失低，验证集损失低
D. 训练集损失高，验证集损失低
答案：B
解析：欠拟合的核心是模型未充分学习训练数据中的有效特征，泛化能力差；A. 训练集损失低、验证集损失高，是过拟合的典型特征（模型过度拟合训练数据，无法泛化到新数据）；B. 正确，训练集损失高说明模型在训练数据上表现差，未学好核心特征；验证集损失也高说明模型无法将少量学到的特征迁移到新数据上，符合欠拟合的定义；C. 训练集和验证集损失均低，说明模型拟合效果好，无欠拟合或过拟合；D. 该情况极少出现，通常是数据划分异常（如验证集包含训练数据）或指标计算错误导致，因此 B 正确。
90题
使用 LangChain 调用 Qwen 模型时，以下代码片段正确的是？
|--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| Python # 选项 A from langchain.llms import Qwen llm = Qwen(api_key="your-api-key", temperature=0.7) response = llm.generate("请介绍人工智能的发展历程") # 选项 B from langchain.chat_models import ChatQwen chat_llm = ChatQwen(api_key="your-api-key", temperature=0.7) response = chat_llm.predict("请介绍人工智能的发展历程") # 选项 C from langchain.llms import TongyiQwen llm = TongyiQwen(api_key="your-api-key", temperature=0.7) response = llm.call("请介绍人工智能的发展历程") # 选项 D from langchain.chat_models import TongyiChatQwen chat_llm = TongyiChatQwen(api_key="your-api-key", temperature=0.7) response = chat_llm.run("请介绍人工智能的发展历程") |
答案：B
解析：LangChain 中调用 Qwen 模型需区分文本模型和聊天模型；A. Qwen 是文本模型，无 generate 方法，正确调用方式为 llm.predict() 或 llm.run()；B. 正确，ChatQwen 是 Qwen 的聊天模型（导入自 langchain.chat_models），可通过 predict() 方法接收文本输入并生成回复；C. 不存在 TongyiQwen 类，Qwen 文本模型的正确类名为 Qwen；D. 不存在 TongyiChatQwen 类，Qwen 聊天模型的正确类名为 ChatQwen，因此 B 正确。