1、设 $A$为实正交矩阵（即 $A^TA=I$），则以下结论正确的是： {{ select(1) }}

• $A$ 的列向量不一定线性无关
• $A^T=A^{-1}$
• $\det(A)=-1$
• $A^T=A$

2、在一个标准的Transformer Block中,一个Multi-Head Attention子层之后通常会跟一个Position-wise FFN子层。关于这两个子层处理信息方式的描述,以下哪项最为准确? {{ select(2) }}

• Multi-Head Attention和FFN都独立地处理每个位置的向量,不进行位置间的信息交换。
• FFN负责在不同位置间混合信息,而Multi-Head Attention则对每个位置的向量进行独立的非线性变换。
• Multi-Head Attention在不同位置间混合信息,而FFN则对每个位置的向量进行独立的非线性变换。
• Multi-Head Attention和FFN都负责在整个序列的不同位置间进行信息交换。

3、在 Transformer Encoder 中，用来显式注入序列位置信息的模块是 {{ select(3) }}

• Feed-Forward Network
• Positional Embedding
• Self-Attention
• Layer Normalization

4、聚类算法在计算和迭代的过程中，需要反复计算不同点之间的距离，采用不同的距离公式通常会有不同的聚类效果，请问曼哈顿距离公式是以下哪个？ {{ select(4) }}

• $d(x,y)=\max_{i=1,2,3,\ldots,n}\left\|x_i-y_i\right\|$
• $d(x,y)=\sqrt{\sum_{i=1}^n(x_i-y_i)^2}$
• $d(x,y)=\sum_{i=1}^n\left\|x_i-y_i\right\|$
• $d(x,y)=\left[\sum_{i=1}^n(x_i-y_i)^p\right]^{1/p}$

5、考虑一个智能体 (Agent) 需要通过调用 API 来完成任务的情况，如果该 Agent 采用了 ReAct 框架来进行决策制定，那么以下哪一项描述了 ReAct 的核心机制？ {{ select(5) }}

• Agent 依赖外部反馈来调整其行为
• Agent 先思考可能的结果再决定采取什么行动
• Agent 首先执行动作然后才思考后果
• Agent 同时思考和行动，以达到最佳效果