一、单选题（每题 5 分，共 25 分）
第 1 题
当前主流大语言模型（LLM）普遍采用的 Transformer 架构，其核心计算机制是？
A. 卷积运算（Convolution） B. 循环记忆单元（RNN / LSTM） C. 自注意力机制（Self-Attention） D. 决策树分裂
答案：C
解析： Transformer 由 Google 在 2017 年论文《Attention Is All You Need》中提出，核心是自注意力机制（Self-Attention）。它能并行计算序列中任意两个位置的关联权重，擅长捕捉长距离依赖，是 GPT、Llama、Qwen 等大模型的基础。A 是 CNN 的核心，B 是上一代序列模型，D 属于传统机器学习。
第 2 题
在大模型应用开发中，RAG（检索增强生成，Retrieval-Augmented Generation） 的主要作用是？
A. 直接降低模型的参数量 B. 在生成前检索外部知识注入上下文，缓解"幻觉" C. 替代模型训练以加快速度 D. 把模型压缩到手机端运行
答案：B
解析： RAG 的工作流程是"先检索、后生成"：先从知识库（如文档、数据库）检索与问题相关的片段，再将其拼接进提示词交给大模型生成答案。它让模型能引用外部/最新/私域知识，显著减少凭空编造（幻觉），是落地企业知识问答的常用方案。A、C、D 都不是 RAG 的核心目的。
第 3 题
大模型常说的 "幻觉"（Hallucination） 指的是？
A. 模型运行温度过高导致宕机 B. 模型生成内容流畅但事实错误或毫无依据 C. 模型拒绝回答敏感问题 D. 训练数据量不足
答案：B
解析： 幻觉是指模型输出看似合理、语法通顺，但内容不符合事实或缺乏依据。这是生成式模型的固有风险，常通过 RAG、事实校验、引用溯源等手段缓解。A 是工程故障，C 是安全拒答，D 是训练问题，均不等同于幻觉。
第 4 题
在调用大模型 API 时，Temperature（温度） 参数主要影响？
A. 上下文窗口的长度 B. 生成结果的随机性与创造性 C. 模型的参数量大小 D. 训练所需的轮数（Epoch）
答案：B
解析： Temperature 控制采样随机性：值越高（如 0.81.0），输出越发散、越有创造性；值越低（如 00.2），输出越确定、越保守、越贴近高频答案。它不影响上下文长度（由 max_tokens / context window 决定）或参数量。
第 5 题
在大模型语义检索中，Embedding（向量嵌入） 的主要用途是？
A. 压缩图片文件 B. 将文本映射为高维向量，用向量距离衡量语义相似度 C. 提升 GPU 算力 D. 直接生成图像
答案：B
解析： Embedding 模型（如 text-embedding 系列）把文本转为高维向量，语义相近的文本在向量空间中距离更近。这一特性是 RAG 中"语义检索"的基础——用户问题先转向量，再在向量库中找最相近的文档。A、C、D 均非 Embedding 的作用。
二、多选题（每题 10 分，共 30 分；少选、错选均不得分）
第 6 题
下列哪些属于大模型应用常见的落地技术或方式？（多选）
A. 提示词工程（Prompt Engineering） B. 检索增强生成（RAG） C. 微调（Fine-tuning） D. 智能体编排（Agent）
答案：A、B、C、D
解析： 四类都是赛事与产业中主流的大模型应用手段：
- 提示词工程：通过优化指令引导模型输出，零成本、见效快；
- RAG：外接知识库，解决私域/时效知识问题；
- 微调：用领域数据继续训练，让模型学会特定风格或任务；
- Agent：让模型调用工具、自主规划完成多步任务。 它们常组合使用，例如"RAG + Agent + 提示词工程"。
第 7 题
关于开源大模型，下列说法正确的有？（多选）
A. Meta 的 Llama 系列属于开源模型 B. 阿里通义千问（Qwen）提供开源版本 C. 开源模型一定可以无条件免费商用 D. 开源模型通常支持本地部署与二次开发
答案：A、B、D
解析： A、B 正确：Llama、Qwen、ChatGLM、DeepSeek 等均有开源权重版本。D 正确：开源模型可下载到本地部署、做微调与定制，数据不出域，适合隐私敏感场景。C 错误：开源不等于无限制，大多数模型附带许可证（如 Llama 社区许可、Qwen 许可、Apache-2.0 等），商用前必须阅读并遵守其条款（如规模阈值、声明要求、禁止事项）。
第 8 题
构建一个基于大模型的智能体（Agent），通常可能包含哪些核心组件？（多选）
A. 规划（Planning） B. 记忆（Memory） C. 工具调用（Tool Use） D. 行动（Action）
答案：A、B、C、D
解析： 典型 Agent 架构（如 ReAct、AutoGPT 思路）包含：
- 规划：把复杂任务拆解为子步骤；
- 记忆：短期（对话上下文）与长期（外部存储）记忆；
- 工具调用：调用搜索、代码执行、数据库、API 等外部能力；
- 行动：根据观察执行下一步，形成"思考—行动—观察"循环。 这四者共同支撑 Agent 自主完成多步任务，是创新应用赛道的重点方向。
三、判断题（每题 5 分，共 10 分）
第 9 题
参数规模越大的模型，在任何应用场景下效果一定越好。
答案：错误（×）
解析： 模型效果不只取决于参数量，还受训练数据质量、指令微调、人类对齐（RLHF）、任务匹配度、推理参数等影响。在垂直、简单或实时性要求高的场景，经过良好微调的小模型（如 7B/14B）往往比笨重的大模型更高效、更便宜、更准确。盲目追大参数是常见误区。
第 10 题
只要大模型本身能力足够强，应用开发时就不需要再做安全对齐和风险提示。
答案：错误（×）
解析： 再强的模型也可能输出有害、偏见、违规或误导内容。负责任的 AI 应用需要在应用层叠加安全护栏：内容审核、敏感词/越狱防护、输出校验、合规声明与风险提示、人工兜底等。安全与对齐是大赛评审和落地合规的重要考察项，绝不能省略。