必学必会
学习
阅读
产品库
沙盘
演示
更多
▾
English
Русский
注册
登录
试题试做
共 11335 道。先按知识点进入练习,也可以从下面的最新题目直接试做。
最新试题 · 第 401 页
评测推理加速时,最该同时关注的指标组合是? - A. 只看参数数量 - B. 生成速度(tok/s)、首 token 延迟、显存占用与输出质量 - C. 只看模型名字 - D. 只看温度 - **答案:** B - **解析:** 加速不能以质量下降为代价,应综合吞吐、延迟、显存与质量(如基准准确率)一起看。
把本地模型接入 Claude Code / OpenCode 等代理前,建议先? - A. 直接上线 - B. 在隔离环境测试工具调用是否稳定 - C. 关闭所有工具 - D. 提高温度到 2.0 - **答案:** B - **解析:** 本地模型在工具调用、多轮循环上可能有回归(如重复失败调用),先在沙箱验证再接入生产代理更稳妥。
关于 INT8 与 INT4 量化,通常? - A. INT4 体积更小但精度风险更高 - B. INT8 体积一定比 INT4 大且更慢 - C. 两者无任何区别 - D. INT4 总优于 INT8 - **答案:** A - **解析:** 更低比特更省资源,但量化误差增大,需在速度与精度间权衡,常用 GPTQ/AWQ 等方法缓解。
SGLang 的 RadixAttention 主要解决什么? - A. 训练加速 - B. 多请求间共享相同前缀的 KV 缓存 - C. 模型量化 - D. 数据标注 - **答案:** B - **解析:** RadixAttention 通过前缀树复用 KV 缓存,在大量共享系统提示/上下文的请求间显著降低重复计算。
下列哪些不是推测解码的变体?(选最不符合的一项) - A. 自投机解码 - B. 多 Token 预测(MTP) - C. 候选树(JetSpec) - D. 梯度累积 - **答案:** D - **解析:** 梯度累积是训练期优化技巧,与推理加速的推测解码家族无关。
推测解码中"拒绝"一个草稿 token 后,下一步是? - A. 直接结束生成 - B. 从目标模型自己采样的正确 token 起继续,并保留已接受前缀 - C. 重新训练模型 - D. 丢弃全部已生成内容 - **答案:** B - **解析:** 验证采用前缀一致的部分,在第一个分歧点切换回目标模型自身的采样,保证分布正确且尽量保留已接受的 token。
在本地跑通 27B 级密集模型做编程,社区常推荐的关键组合是? - A. 低比特量化 + 支持 MTP 的推理框架 - B. 只增大温度 - C. 完全不用量化 - D. 关闭 KV 缓存 - **答案:** A - **解析:** 量化降低显存门槛,配合 llama.cpp 的 MTP / vLLM 的投机解码可在消费级显卡上获得可用速度。
Rust 进入 CPython 这类趋势说明了? - A. 系统语言与数据科学正在融合 - B. Python 将被淘汰 - C. Rust 不适合高性能 - D. 内存安全不再重要 - **答案:** A - **解析:** 用 Rust 重写性能热点(如解释器核心、数据处理),兼顾安全与速度,是系统语言与数据科学生态融合的典型信号。
关于依赖管理,较稳妥的做法之一是? - A. 永远从 VCS 直接获取依赖源码 - B. 尽量复制粘贴第三方代码 - C. 忽略锁定文件 - D. 禁用校验和 - **答案:** A - **解析:** 直接从版本控制系统拉取并锁定依赖,可减少供应链篡改与"已发布包被替换"的风险,提升可复现性。
GhostLock 这类"潜伏多年的栈溢出漏洞"提醒我们,系统安全需要? - A. 完全依赖 AI 审查 - B. 持续的内存安全审计与现代化语言实践 - C. 关闭所有更新 - D. 只相信旧代码 - **答案:** B - **解析:** 栈溢出(stack-UAF)类漏洞长期存在,凸显对内存安全(如 Rust)与持续审计的重视价值。
Antirez 在《Control the Ideas, Not the Code》中强调,AI 时代程序员的核心价值更偏向? - A. 记忆更多语法 - B. 掌控"想法/设计"而非逐行代写 - C. 手写更快的循环 - D. 维护更长的代码 - **答案:** B - **解析:** 他的观点是:当"写代码"可被代理化,人的稀缺价值转向对问题、架构与权衡…
给编码 Agent 配"一次性 Linux 虚拟机"(如 Clawk)的主要目的是? - A. 提升推理速度 - B. 隔离风险,避免 Agent 直接访问本机敏感文件与系统 - C. 节省显存 - D. 美化界面 - **答案:** B - **解析:** 把 Agent 放进可丢弃的沙箱,即使它误读或越权,损害也被限制在临时环境内,本机数据不受影响。
当 AI 编码助手(如 Grok CLI)把用户家目录上传到云端,最核心的风险是? - A. 推理变慢 - B. 隐私数据(密钥、配置)泄露 - C. 模型精度下降 - D. 生成代码质量变差 - **答案:** B - **解析:** 家目录常含 .ssh 密钥、.env、凭证文件等敏感信息,被未经授权上传会造成严重隐私与安全事故。
自投机解码(self-speculative)是指? - A. 用目标模型自身的小版本当草稿 - B. 让两个大模型互相验证 - C. 完全不用草稿模型 - D. 仅用于推理训练 - **答案:** A - **解析:** 自投机直接用目标模型的较小变体作为草稿模型,省去额外模型与对齐成本,是部署友好的一种变体。
Medusa / EAGLE 类方法的共同特点是? - A. 依赖更大的目标模型 - B. 用轻量"出头"网络并行提议多个候选以提升接受率 - C. 只能用于图像模型 - D. 会降低输出质量 - **答案:** B - **解析:** 这类方法训练轻量头来并行生成多个候选 token,提高单次验证被接受的数量,从而提升加速比且保持分布不变。
哪种场景推测解码收益最可能"有限"? - A. 高并发在线服务 - B. 极短输出且草稿模型很不准 - C. 长文本生成 - D. 批量离线推理 - **答案:** B - **解析:** 输出很短、或草稿模型接受率很低时,并行化摊薄的收益被额外算力抵消,加速不明显。
候选树(如 JetSpec)相比线性推测序列的主要优势是? - A. 减少显存占用 - B. 用树状候选突破线性推测的扩展天花板 - C. 完全不需要目标模型 - D. 只能用于训练 - **答案:** B - **解析:** 线性序列每步只能沿一条路径猜测;候选树允许分支并行验证,显著提升可接受的 token 数量与扩展性,阶跃 JetSpec 即此思路。
关于"草稿模型",下列说法正确的是? - A. 草稿模型必须比目标模型更大 - B. 草稿模型越准(接受率高),加速越明显 - C. 草稿模型不影响加速比 - D. 草稿模型只能用手工规则 - **答案:** B - **解析:** 草稿模型的接受率 α 直接决定每个大步保留多少 token,α 越高加速越明显,因此"草稿准"比"草稿快"往往更重要。
vLLM 广为人知的核心技术是? - A. 推测解码 - B. PagedAttention(分页注意力) - C. 模型蒸馏 - D. 混合精度训练 - **答案:** B - **解析:** vLLM 通过 PagedAttention 高效管理 KV 缓存碎片,大幅提升吞吐,是其相对 Ollama 等快很多的关键原因之一。
在本地部署中,决定"首 token 延迟"的关键通常是? - A. 解码速度 - B. 预填充(prefill)吞吐 - C. 词表大小 - D. 温度参数 - **答案:** B - **解析:** 处理数千 token 上下文时,prefill 吞吐量决定首 token 延迟,统一内存架构在 MoE 上解码快但 prefill 弱,因此 RAG 场景更看…
共 11335 篇 · 第 401 / 567 页
上一页
下一页
试题试做 第401页 - 生命科学与前沿科技学习平台 | 必学必会