生成式人工智能系统应用员一级高级技师 详细题库

参数配置策略规范设计知识 题目预览

• 第 1 题 单选题
  在生成式人工智能模型的参数适配过程中，针对特定下游任务进行微调时，最常用的参数适配策略是（ ）。
  • A. 全参数微调
  • B. 提示微调
  • C. 适配器微调
  • D. 低秩适配（LoRA）
  解析：低秩适配（LoRA）是当前最广泛使用的参数高效微调方法，通过在原始权重矩阵旁添加低秩矩阵来减少可训练参数量，同时保持性能。
• 第 2 题 单选题
  当模型参数适配策略需要兼顾模型容量和计算资源约束时，通常采用（ ）作为参数配置的核心原则。
  • A. 最大化模型参数量
  • B. 最小化推理延迟
  • C. 平衡模型性能与资源消耗
  • D. 优先保证训练速度
  解析：参数适配策略设计必须在模型性能、计算资源（显存、时间）和部署约束之间取得平衡，不能单纯追求某一指标。
• 第 3 题 单选题
  在参数高效微调方法中，仅调整预训练模型输入层前的可学习连续向量的策略称为（ ）。
  • A. 前缀微调
  • B. 适配器微调
  • C. 低秩适配
  • D. 全参数微调
  解析：前缀微调（Prefix Tuning）通过在输入序列前添加可学习的虚拟token向量来适配下游任务，属于参数高效方法。
• 第 4 题 单选题
  在进行模型参数适配时，若目标域数据分布与源域存在较大差异，最有效的策略是（ ）。
  • A. 直接使用源域参数
  • B. 进行领域自适应预训练
  • C. 增大学习率进行微调
  • D. 冻结所有参数仅训练分类头
  解析：当数据分布差异大时，基于源域参数直接微调效果不佳，需要先进行领域自适应预训练或使用更多无监督数据调整参数分布。
• 第 5 题 判断题
  在模型参数适配策略中，使用低秩适配（LoRA）方法时，所有原始模型权重均被冻结且不参与梯度更新。
  • A. 对
  • B. 错
  解析：LoRA冻结原始预训练权重，仅训练新增的低秩矩阵，因此原始权重不更新。
• 第 6 题 判断题
  对于生成式大语言模型，参数适配策略仅需考虑任务性能，无需关注推理阶段的显存占用。
  • A. 对
  • B. 错
  解析：参数适配策略必须同时考虑推理效率和显存占用，尤其是在资源受限的部署场景下，例如边缘设备或低显存GPU。
• 第 7 题 多选题
  在设计模型参数适配策略时，需要考虑的关键因素包括（ ）。
  • A. 下游任务的训练数据量
  • B. 预训练模型的参数量级
  • C. 目标部署硬件的显存大小
  • D. 模型并行推理的延迟要求
  • E. 训练数据中的噪声比例
  解析：所有选项均为参数适配策略设计时需考虑的因素。数据量影响过拟合风险，参数量级影响微调方法选择，显存大小决定是否可用全参数微调，延迟要求影响模型压缩或量化策略，噪声比例影响正则化或数据增强。
• 第 8 题 多选题
  下列属于参数高效微调方法的有（ ）。
  • A. 适配器（Adapter）
  • B. 提示微调（Prompt Tuning）
  • C. 前缀微调（Prefix Tuning）
  • D. 全参数微调（Full Fine-Tuning）
  • E. 低秩适配（LoRA）
  解析：全参数微调不属于参数高效微调，它更新所有参数，参数量大。其他四种均为参数高效方法。