1.单选题

1、MQA、GQA、MLA 与推理期 KV cache 的关系，正确的是？ {{ select(1) }}

• 三者只抬高训练吞吐，对推理时 KV cache 占用几乎没有影响
• MLA 精度必然远低于 MQA，落地时基本不可用
• MQA 让所有 head 共用一组 K/V，GQA 按组共享，MLA 用低秩潜变量压缩 K/V，三者都以压缩 KV cache 显存为主要目标
• MQA / GQA / MLA 的数学形式完全相同，差别只在论文命名

2、关于 Whisper 模型，下列哪项正确？ {{ select(2) }}

• 架构被限定为纯 CTC，禁止使用自回归解码
• 训练数据只覆盖 LibriSpeech，不包含网页字幕语料
• 在约 $68$ 万小时网页字幕上做弱监督多任务训练，输入 log-Mel 频谱，零样本多语种 ASR 能力较强
• 只能输出转写文本，不具备翻译能力

3、Qwen-VL / InternVL 一类模型的 dynamic resolution，正确理解是？ {{ select(3) }}

• 依靠 StyleGAN 先“生成”高清图，再送进 ViT
• 所有图像统一强制缩放到 $224\times 224$，不做动态分块
• 官方明确不支持超过 $1$K 分辨率的输入
• 按图像纵横比选择最接近的分块方案，使 patch token 数量与内容量匹配，从而在任意分辨率下保留细节

4、Transformer 中 pre-LN 与 post-LN，哪项说法成立？ {{ select(4) }}

• pre-LN 与 post-LN 可证明恒等，替换后训练动态不变
• 深层堆叠时 post-LN 更稳，因此是当前大模型默认选择
• pre-LN 把 LayerNorm 放在残差分支之前，训练数值更稳，也被大模型更广泛采用
• 使用 pre-LN 时必须配合 warmup，而 post-LN 绝对不需要 warmup

5、DINOv2 特征与 SAM 特征在下游任务上的差异，正确的是？ {{ select(5) }}

• DINOv2 语义可分性强，常作分类/检测/分割 backbone；SAM 对 mask 边界更友好，更适合可提示分割
• 两套特征空间完全对齐，下游可直接互换权重
• DINOv2 只能做聚类可视化，不能作为可微调 backbone
• SAM 更擅长 ImageNet 分类，DINOv2 更擅长交互式抠图

6、RAG 与 long-context in-context 的对比，哪项正确？ {{ select(6) }}

• long-context 已全面淘汰 RAG，工业界不再做检索增强
• RAG 按需检索短证据写入 prompt，通常更能控制推理成本；把大段知识直接塞进超长上下文成本更高，也更易出现 lost-in-the-middle
• RAG 只能检索纯文本，无法扩展到图像或表格证据
• 两条路线数学同构，可以无条件互换

7、SigLIP 相对 CLIP 最关键的差异是？ {{ select(7) }}

• SigLIP 放弃图文对比，改走 masked image modeling
• SigLIP 只对中文图文对有效，英文语料无效
• 两者损失形式相同，差别只在学习率调度曲线
• 用 sigmoid pairwise loss 替换 InfoNCE，从而不必对 batch 内全部负样本做 softmax 归一化，更利于放大 batch

8、ACT（Action Chunking Transformer）一次预测未来 $k$ 步动作块，主要动机是？ {{ select(8) }}

• 应固定 $k=1$ 逐步预测；chunk 越长控制一定越差，因此禁止 chunk
• 一次输出未来 $k$ 步动作块，可缓解逐步滚动带来的累积误差与非马尔可夫性，再配合 temporal ensemble 提升平滑度
• ACT 规范要求严格单步输出，不允许 chunk
• chunk 只对离散分类动作有效，连续控制场景无效

9、AdamW 相对 Adam 的关键改进是？ {{ select(9) }}

• AdamW 不再维护二阶矩，以此换取显存
• AdamW 只适用于图像分类，序列模型应禁用
• AdamW 等价于 Adam 再加 L2，只是换了名字
• AdamW 将 weight decay 从梯度更新中解耦并直接作用于参数，与 Adam+L2 不等价，大模型训练通常更稳

2.多选题

10、关于 NeRF / 3DGS 及相关加速方案，正确的有？ {{ select(10) }}

• NeRF 必须全部废弃，任意场景都应只保留 3DGS
• Instant-NGP 借助多分辨率哈希编码，常把训练从小时级压到分钟级
• TensoRF / Plenoxels 用张量分解或体素网格做显式表征，可减少乃至免除 MLP 推理
• gsplat / Nerfstudio 提供可扩展开源实现，常作研究与工程基线

11、关于视觉编码器演进，正确的有？ {{ select(11) }}

• DFN（Data Filtering Network）侧重预训练前的数据筛选与清洗
• CLIP ViT 是 VLM 里常见视觉 backbone 之一，依赖大规模图文对比学习
• 视觉 encoder 一律必须冻结，任何微调都会破坏跨模态对齐
• SigLIP 用 sigmoid loss 替代 softmax，支持更大 batch，并被多款 MLLM 采用

12、关于主流 LLM 推理与服务框架，正确的有？ {{ select(12) }}

• vLLM 基于 PagedAttention 提供高吞吐服务
• SGLang 结合结构化前端与 RadixAttention 复用前缀 KV cache，擅长多轮与工具调用
• MLC-LLM / llama.cpp 覆盖手机、桌面等跨端部署
• TensorRT-LLM 面向 NVIDIA GPU 深挖算子与图优化，追求更高吞吐

13、关于语音增强（SE）与去噪，正确的有？ {{ multiselect(13) }}

• 深度 SE 必须依赖成对干净-噪声数据，自监督路线不可行
• RNNoise 是轻量「传统方法 + DNN」实时降噪，常见于会议场景
• DNSMOS 可作为无参考语音质量评估 proxy，用于 SE 训练或评测
• DEMUCS / SEMamba 等用深度网络在时域或时频域做端到端分离

14、关于 LLM Agent 的 Memory 与向量库，正确的有？ {{ select(14) }}

• Episodic memory 记录时间戳与事件流，便于回放和失败复盘
• 短期记忆多半落在上下文窗口，长期记忆常落到向量库或结构化存储
• Memory 与 RAG 互斥，同一系统只能启用其中一种
• FAISS / Chroma / Qdrant / Milvus / Weaviate 都是常见开源向量库选项

15、关于 TTS 主流路线，正确的有？ {{ multiselect(15) }}

• StyleTTS 可结合参考风格向量做可控音色与语调
• TTS 与 ASR 目标相反却数学等价，实现上可直接互换
• VITS 是端到端变分自编码 + Flow，声码器与声学模型联合训练
• VALL-E / VoiceCraft 走 codec token + 类 LLM 自回归，支持 zero-shot 声音克隆

16、关于多智能体（Multi-Agent）常见范式，正确的有？ {{ select(16) }}

• AutoGen 以对话消息编排多 Agent 协作
• CAMEL 用 role-playing，让两个 Agent 分饰用户与助手推进任务
• CrewAI 用「角色 + 任务 + 流程」组织协作
• 复杂任务上多 Agent 一定全面优于单 Agent，且几乎没有通信开销

17、关于 Transformer 位置编码，正确的有？ {{ multiselect(17) }}

• RoPE 对 Q/K 做旋转，支持相对位置，并可用 NTK / YaRN 扩长
• Sinusoidal 是固定三角函数、无需学习；可外推但能力有限
• ALiBi 在 attention 分数上加线性偏置，外推较好且无需显式位置向量
• Learnable 位置编码在 ViT 中常见，但对未训练长度通常不能直接外推

18、关于 LLM 压缩与量化，正确的有？ {{ select(18) }}

• SmoothQuant 在权重与激活间做等价缩放，把量化难点从激活挪到权重侧，便于 INT8
• SqueezeLLM / GPTQ / AWQ 都属于 PTQ 类权重量化
• 一旦量化到 4bit，推理精度必然不可恢复，应一律禁用
• bitsandbytes 的 NF4 是常用 4bit 实现，常配合 QLoRA 做低成本微调

19、关于 BEV 与 Occupancy 感知，正确的有？ {{ multiselect(19) }}

• BEV / Occupancy 已彻底淘汰全部 2D 感知链路
• CenterPoint / BEVDet 在 BEV 空间做检测，相对纯图像 detector 常能减少后处理
• BEVFormer 用 spatial cross-attention 与 temporal self-attention 在 BEV 空间融合多视图
• Occupancy 用 3D 体素刻画占据，可表达不规则形状物体

20、关于 VLA / RLHF 中的策略优化，正确的有？ {{ multiselect(20) }}

• DPO 可直接从成对偏好得到闭式更新，不必单独训 reward model
• PPO 用 clip 限制更新幅度，是 RLHF 里常见优化器
• 只要做强化学习就必须先训 RM；DPO / GRPO 也不例外
• GRPO 用组内相对优势估计，可省掉单独 critic

21、关于多模态评测基准，正确的有？ {{ multiselect(21) }}

• MMMU 侧重大学多学科图文推理，考察复杂多模态能力
• 通过单一 benchmark 就足以证明泛化，无需组合评测
• MMBench / SEED-Bench 从感知、认知、推理等维度覆盖通用能力
• TextVQA / DocVQA 强调文字与文档理解，考验 OCR 与推理联动