学习测试 — Transformer Q Lab

1 多选题

某客户的 AI 项目失败了。他说「我们找了一个团队帮我们微调了模型，花了不少钱，但效果很差，回答反而比通用模型还差。」以下哪些是最可能的失败原因？（多选）

A 微调数据太少或者质量太差——用几百条低质量对话去微调一个千亿参数模型，效果还不如不调 B 出现了「灾难性遗忘」——微调让模型在新的小数据集上过拟合，反而忘掉了预训练阶段学到的通用能力 C 微调的技术原理本身是错误的 D 没有在微调前先用 Prompt/RAG 试试——可能问题本来就不需要微调就能解决

2 多选题

以下关于 AI、ML、DL 三者关系的描述，哪些是正确的？（多选）

A 所有的深度学习都是机器学习，但并非所有机器学习都是深度学习 B 符号主义 AI（如专家系统）属于机器学习 C 机器学习是当前实现 AI 的主流路径，但不是唯一路径 D 深度学习和传统机器学习的区别在于「是否需要人工提取特征」，而非「是否使用神经网络」

3 单选题

某传统制造企业老板找到你：「我看 ChatGPT 回答得不错，我想自己训练一个，专门回答我们公司的产品问题。大概要多少钱？」从专业 BD 的角度，你应该先问哪个问题？

A 您预算多少？我帮您找最贵的方案 B 您说的「训练」具体指什么——是想让 AI 基于您公司的产品文档来回答问题，还是想从零开始造一个大模型？两者的成本差 1000 倍以上 C 训练大模型很简单，几万块就能搞定 D 直接拒绝，告诉他不可能

4 单选题

关于 AI 的训练和推理，某客户说「我们公司的数据很敏感，所以想自己训练一个模型，数据不离开公司」。以下哪个分析是正确的？

A 这个需求合理，应该帮他从零训练一个大模型 B 数据不离开公司可以通过私有化部署开源模型（如 DeepSeek）+ RAG 方案实现，不需要自己训练模型。训练和部署是两个独立的问题 C 数据安全 = 必须自训练，这是唯一方案 D 数据敏感的公司就不能用 AI

5 单选题

关于 LLM 的 Token 机制，以下哪种说法最能说明它对中文用户的实际影响？

A 中英文 token 化效率一样 B 同一个意思的中文文本消耗的 token 通常比英文多，因此同样质量的回答，中文 API 调用成本更高 C 用中文问 AI 比用英文问，回答一定更快 D Token 数量只影响成本，不影响模型回答质量

6 单选题

某零售企业需要 AI 自动处理客户退货——「判断退货原因 → 查订单 → 生成退款金额 → 发起退款」。你应该推荐的方案层级是？

A 写一个详细的 Prompt，让 AI 一次性完成所有步骤 B RAG：先检索退货政策文档，再让 AI 判断 C Agent：将任务拆分为 4 个独立步骤（判断、查单、计算、退款），AI 逐步调用不同工具完成 D 微调一个大模型专门处理退货

7 单选题

MoE（混合专家）架构是 DeepSeek 的核心竞争优势之一。以下哪一项不是 MoE 相比 Dense 架构的实际优势？

A 推理时每次只激活部分参数，降低推理成本 B 相同总参数量下，MoE 的推理速度更快 C MoE 的训练比 Dense 架构更简单，调参更容易 D MoE 可以在总参数量很大的情况下保持可控的推理成本

8 单选题

以下关于 Chain-of-Thought（思维链）的说法，哪个是错误的？

A CoT 对需要多步推理的任务（如算术、逻辑推理）提升最大，但对简单任务几乎没有帮助 B CoT 的本质是让模型在生成最终答案前先输出中间推理步骤，这些中间步骤本身也占用输出 token C CoT 对所有类型的任务都能显著提升准确率，包括简单的翻译和摘要 D Zero-shot CoT（只加一句「请一步步思考」）在很多推理任务上也能带来提升，不需要精心构造 few-shot 示例

9 多选题

你给 LLM 一个长长的 prompt，要求它严格按格式输出。结果后半段的格式乱了。以下哪些是技术层面最可能的原因？（多选）

A LLM 是逐 token 生成的，前面的 token 偏差会逐步累积放大，导致越往后越偏离预期格式 B LLM 对 prompt 开头和结尾的关注度是一样的 C 长输出时，模型可能「忘记」了最初格式要求——上下文窗口虽大，但注意力并非均匀分布 D 这说明 LLM 的推理能力有根本缺陷，无法修复

10 多选题

关于 prompt 设计，以下哪些认知是正确的？（多选）

A 同样一个问题，用「你是一位资深专家」开头比直接问效果一定更好 B 给 AI 看 2-3 个范例（Few-shot）的效果往往比用长篇文字描述「我要什么样的输出」更好 C 好的 prompt 是一门工程实践，不是玄学——它可以通过迭代测试来系统性地优化 D 同一个 prompt 在不同模型（如 GPT-5 vs DeepSeek）上的效果可能差异很大，需要针对性调优

🧠 学习测试