1、用于衡量两个概率分布向量相似度的是？

{{ select(1) }}

• 欧氏距离
• KL 散度
• 余弦相似度
• 曼哈顿距离

2、下列哪一项最接近经典线性回归中的外生性要求（误差项与解释变量不存在系统性相关）？

{{ select(2) }}

• 所有特征都必须服从标准正态分布
• 样本数必须等于特征数
• 误差项的条件期望满足 $E[e \mid X]=0$
• 特征必须两两独立

3、采用滑动窗口注意力部署一个支持128K上下文的文本分析模型时，其关键逻辑是？

{{ select(3) }}

• 将历史Token的KV压缩到一个向量
• 对每个KV进行INT4量化，减少显存占用
• 使用稀疏注意力，随机丢弃N%的KV
• 保留最近N个Token的KV，丢弃老的KV

4、给定三个向量：$A=[1,0]$，$B=[0,100]$，$C=[1,1]$。分别计算它们之间的余弦相似度和内积。关于排序，以下哪项正确？

{{ select(4) }}

• 余弦相似度：$A-C > B-C > A-B$；内积：$B-C > A-C > A-B$
• 余弦相似度：$A-C = B-C > A-B$；内积：$A-C > B-C > A-B$
• 余弦相似度：$A-C = B-C > A-B$；内积：$B-C > A-C > A-B$
• 余弦相似度：$A-C > B-C > A-B$；内积：$A-C > B-C > A-B$

5、为了检验并尽量避免“近似泄露”（例如训练集中存在同义改写、轻微编辑的题目），下列方法最有效的是：

{{ select(5) }}

• 看模型答对率是否异常高
• 用语义向量检索/MinHash等近似重复检测
• 检查训练集是否出现过评测集的文件名
• 纯完全字符串匹配（exact match）去重