1、用二次多项式拟合下列数据点：(0,1),(1,2),(2,3),(3,4)。则拟合多项式的一次项系数最接近?

{{ select(1) }}

• 2
• 1
• 4
• 3

2、在计算机渲染3D模型时通常会使用双线性插值处理纹理映射，与最近邻插值相比，双线性插值主要可以减少?

{{ select(2) }}

• 计算时间
• 精度损失
• 视觉锯齿
• 数据存储

3、在多智能体强化学习中，智能体的联合状态向量组 $s_1=(1,3,5)^T,s_2=(2,4,6)^T,s_3=(3,5,7)^T$ 构成矩阵 $S$，则矩阵 $S$ 的零空间维度为（）

{{ select(3) }}

• 3
• 0
• 1
• 2

4、预条件共轭梯度法（PCG）中，预条件矩阵M的选取目标是使得$M^{-1}A$ 的条件数:

{{ select(4) }}

• 无所谓
• 尽可能接近1
• 等于A的条件数
• 尽可能大

5、在训练神经网络时，使用带L2正则化的损失函数 $\mathcal{L}=\mathcal{L}_{data}+\lambda\sum_i w_i^2$。关于正则化系数 $\lambda$，下列说法正确的是:

{{ select(5) }}

• $\lambda=0$ 时，正则化效果最强，模型最简
• $\lambda$ 的选择与模型过拟合或欠拟合无关，只需固定为常用值如0.01
• $\lambda$ 越大，模型越倾向于拟合训练数据，泛化能力越强
• $\lambda$ 越大，对权重参数的惩罚越重，模型复杂度越低

6、PagedAttention的核心设计目标是解决AI模型推理中的（）

{{ select(6) }}

• 重计算导致的推理延迟过高问题
• 显存碎片化，导致显存利用率低下问题
• 模型量化后精度损失问题
• KV Cache占用显存过大问题

7、在大语言模型的安全对齐（Alignment）过程中，主要目标是确保模型输出符合人类价值观且无害。以下关于“对齐失效”的描述中，哪一项是最常见的风险场景?

{{ select(7) }}

• 模型推理速度过慢，导致用户等待时间过长从而放弃使用
• 模型词汇表过小，无法理解生僻的专业术语
• 模型在训练过程中损失函数无法收敛，导致无法生成任何文本
• 模型在面对恶意诱导 prompt 时，绕过安全限制生成有害内容（如制造武器教程）

8、弦截法（割线法，用两点连线的斜率代替导数来求根）的收敛阶约为:

{{ select(8) }}

• 2阶
• 3阶
• 1阶
• 1.618阶

9、关于KV Cache在自回归推理中的作用，最准确的是:

{{ select(9) }}

• 减少参数量，从而降低模型存储体积
• 提升训练收敛速度
• 缓存历史token的K/V，避免每步重复计算
• 让模型在推理时不再需要注意力机制

10、在 LLM 推理中，prefill 阶段和 decoding 阶段的计算瓶颈不同。以下分析正确的是:

{{ select(10) }}

• 两个阶段都是 compute-bound，区别仅在于序列长度不同
• prefill 阶段是 memory-bound，decoding 阶段是 compute-bound
• prefill 阶段并行处理整个输入序列，矩阵乘法密集，是 compute-bound；decoding 阶段每步生成一个 token，需反复加载全部权重，是 memory-bound
• KV Cache 使 decoding 阶段变为 compute-bound，因为节省了大量访存

11、如果数据集存在明显的噪声点和离群值，哪种聚类算法表现最稳健?

{{ select(11) }}

• GMM（高斯混合模型）
• DBSCAN
• 谱聚类
• K-Means

12、在图像处理中，将一张 $224\times224$ 的 RGB 图像展平为一维向量，其维度是?

{{ select(12) }}

• 150528
• 448
• 50176
• 224

13、某大模型团队正在优化推理服务的显存占用。已知模型配置如下：隐藏层维度（hidden size）为4096，Transformer层数为32层，注意力头数为32。在推理过程中，系统采用FP16（2字节）精度存储KV Cache。假设系统支持的最大序列长度为2048，Batch Size设置为1。请计算：在最大上下文长度下，存储KV Cache所需的显存开销最接近以下哪个数值?

{{ select(13) }}

• 4.0GB
• 0.5GB
• 2.0GB
• 1.0GB

14、在某应用的商品推荐系统中，用户行为包括停留时长、是否收藏等，这些数据通过向量来表示。如果要计算两个用户向量相似度，最常用的度量是：

{{ select(14) }}

• 皮尔逊相关系数
• 余弦相似度
• 曼哈顿距离
• 欧氏距离

15、Scaled Dot-Product Attention 中除以 $\sqrt{d_k}$ 的原因是:

{{ select(15) }}

• 保证 Q 和 K 的内积严格服从标准正态分布
• 让注意力权重之和归一化为1
• 减少矩阵乘法的计算量
• 防止点积结果过大使 Softmax 进入梯度极小的饱和区，导致训练困难

16、针对Prefill和Decode阶段的性能差异，现代推理引擎通常会采用哪些策略来优化整体吞吐量?

{{ multiselect(16) }}

• 在Decode阶段强制使用GEMM代替GEMV进行计算
• 将Prefill和Decode阶段在不同的GPU节点上进行分离部署（PD分离）
• Continuous Batching（连续批处理）以提升Decode阶段的并发度
• Chunked Prefill（分块预填充）以避免长Prompt阻塞Decode进程

17、在矩阵运算中，下列哪些情况可能导致矩阵的行列式为零?

{{ multiselect(17) }}

• 矩阵是可逆矩阵
• 矩阵的秩小于其阶数
• 矩阵是奇异矩阵
• 两个非零矩阵相乘的结果可能是零矩阵

18、以下关于直接法和迭代法求解线性方程组的比较，正确的有:

{{ multiselect(18) }}

• 迭代法适合求解大型稀疏方程组
• 高斯消元法属于直接法
• Jacobi和Gauss-Seidel方法属于迭代法
• 直接法经过有限步运算可得到精确解（理论上）

19、下列哪些算子通常不建议进行低比特量化?

{{ multiselect(19) }}

• LayerNorm
• Softmax
• RoPE（旋转位置编码）
• MatMul（矩阵乘法）

20、在构建高维机器学习模型时，关于特征工程中的转换与评估，下列说法中正确的有:

{{ multiselect(20) }}

• 在使用目标编码（Target Encoding）时，即使采用了平滑技术，若类别的样本量极小，该特征在验证集上的表现仍可能因为“条件概率估计不准”而导致严重的过拟合（Overfitting）。
• 对于具有**偏态分布（Skewed Distribution）**的数值特征，使用 Box-Cox 变换不仅能使数据更接近正态分布，还能在一定程度上起到稳定方差（Homoscedasticity）的作用。
• Weight of Evidence (WoE) 编码主要用于逻辑回归（Logistic Regression），它的数学本质是将非线性特征转换为线性空间，且能够处理缺失值并具有较好的解释性。
• 在特征选择中，**过滤式（Filter）方法比包裹式（Wrapper）**方法更倾向于选出对模型最终性能最优的特征子集，因为过滤式方法不依赖于具体的算法偏差。