1、非负矩阵分解（NMF）的适用场景是？ {{ select(1) }}

• 数据含负值的场景
• 矩阵可逆的场景
• 数据非负且需解释性的场景（如文本聚类）
• 高维数据降维场景

2、矩阵的条件数cond(A)的定义为 {{ select(2) }}

• $\|A-1\|/\|A\|$
• $||A|| / ||A-1||$
• $||A|| + ||A-1||$
• $∣∣A∣∣⋅∣∣A−1∣∣$

3、在 CNN 架构演进中，MobileNet 核心创新点在于将标准卷积分解为 {{ select(3) }}

• 空间卷积和时间卷积
• 深度卷积（Depthwise）和逐点卷积（Pointwise）
• 1×1 卷积和 3×3 卷积的并行计算
• 全连接层和池化层的组合

4、在机器学习降维中，关于线性判别分析（LDA），下列说法正确的是 {{ select(4) }}

• LDA 是无监督降维方法
• LDA 的目标是最大化类间散度与类内散度的比值
• LDA 降维后的维度可以任意指定，最多等于特征数
• LDA 适用于任何类型的数据分布

5、在对大模型进行 “指令遵循（Instruction Following）” 能力的量化测评时，以下关于评测指标与方法的描述，最符合工业界工程实践的是 {{ select(5) }}

• 在使用 LLM-as-a-judge（如使用 GPT-4 评测其他模型）时，由于评测模型存在 “长度偏见（Length Bias）”，通常需要通过交换选项顺序或限制输出长度等手段来缓解偏见。
• 为了保证客观性，应完全依赖 ROUGE-L 指标来计算模型输出与标准答案的字面重合度，字面重合度越高，指令遵循能力越强
• MMLU（大规模多任务语言理解）基准测试主要采用多轮对话形式，是目前衡量大模型 “对齐（Alignment）” 水平最直接的指标。
• 如果模型在 Pass@1 指标上表现优异，则可以直接断定该模型在处理复杂逻辑推理任务时具有极高的鲁棒性。