1、产线质检用分类模型核对零件图。抽检 $100$ 张测试图，其中 $82$ 张的预测类别与质检员标注一致。Top-1 准确率是多少？ {{ select(1) }}

• $0.18$
• $0.82$
• $1.22$
• $0.50$

2、工单调度用最小栈维护当前未处理单的优先级。依次执行 push($4$)、push($2$)、push($5$)、pop()。此时调用 getMin()，返回值应为？ {{ select(2) }}

• $2$
• $4$
• 刚弹出的 $5$
• 栈已空

3、制度问答台把值班提问和规程片段都编码成 embedding 后，相似度分数用于完成哪一步？ {{ select(3) }}

• 按规程写入时间从新到旧截取前若干片段
• 召回与当前提问语义接近的候选规程片段
• 按 token 个数接近程度筛出长度相近的片段
• 把查询向量映射成类别编号，再按编号取片段

4、地面光伏功率预测模型训练时，训练损失仍在下降，验证损失已经抬头。早停策略要避免什么？ {{ select(4) }}

• 在验证性能变差前停止训练，减轻过拟合带来的泛化下降
• 丢掉验证集，只按训练准确率挑选最后一轮权重
• 验证损失已经抬头仍继续训练，让模型把训练集记死
• 从第一轮起冻结全部参数，使训练损失不再变化

5、网关把放行名单做成跳表，高层索引用来跨越一段有序结点。查找某个用户标识时，较合理的过程是？ {{ select(5) }}

• 从最高层索引起步，逐层向右再向下推进
• 从最底层头结点一路线性扫到链表末尾
• 每次随机抽一个结点当作查找起点
• 先重建全部高层索引，再从底层头结点顺序查找

6、场馆通道做行人检测时，边界框回归使用 Smooth L1。相比 L2，它希望降低哪类样本对训练的影响？ {{ select(6) }}

• 让很小的定位误差完全不产生梯度，避免框坐标继续更新
• 降低大误差样本对边界框回归训练的影响
• 使全部回归误差都保持固定梯度，不再区分误差大小
• 把边界框回归改成离散分类，并取消坐标预测分支

7、机房巡检从总体中独立抽取 $m$ 条功率读数，用来估计总体方差。常见的无偏样本方差公式，分母使用哪一项？ {{ select(7) }}

• $m$
• $(m+1)$
• $2m$
• $m-1$

8、运维工单可以同时带「超时」「升级」「重复提单」等多个标签。训练这类多标签分类模型时，更合适的输出与损失组合是？ {{ select(8) }}

• 使用聚类簇编号替代监督标签
• 对标签向量做一个 softmax，只把概率最高的一类当作训练目标
• 每个标签独立 sigmoid 输出，并配合二元交叉熵
• 把标签字符串直接当作卷积核权重

9、充电桩场站抽了较大一批占用时长样本，且常见抽样条件大致满足。样本均值的分布常可近似成什么形态？ {{ select(9) }}

• 近似泊松分布
• 近似均匀分布
• 近似正态分布
• 近似几何分布

10、仓储视觉模型把真实类别为叉车的图片，经常预测成拖车。混淆矩阵中的这一现象说明什么？ {{ select(10) }}

• 模型对叉车类别的召回率一定高于其他载具类别
• 叉车和拖车的预测概率都已经完成准确校准
• 训练集中叉车样本数量必然多于拖车样本数量
• 模型对外观相近的载具类别存在较明显的识别混淆

11、助手编码模块给 Transformer 加上 LayerNorm 时，均值和方差通常沿哪个范围计算？ {{ select(11) }}

• 沿单个样本的隐藏维度计算归一化统计量
• 在全部训练样本上预先计算一组固定均值和方差
• 在一个批次内按同一隐藏位置聚合不同样本的统计量
• 只对注意力权重矩阵的每一列做全局归一化处理

12、调度模块对优先级序列 $[5,2,8,1,4]$ 以 $5$ 为基准做一次快速排序划分。下标从 $0$ 起算。无论具体交换过程如何，基准最终有序位置的下标应为？ {{ select(12) }}

• $2$
• $3$
• $1$
• $4$

13、工单分类模型在公开基准上异常高分，但业务工单表现一般，且训练语料里可能混有基准答案。应优先排查什么？ {{ select(13) }}

• 线上样本分布变化使模型在公开基准上的得分被低估
• 模型参数量不足使业务集得分必然高于公开基准
• 推理批次过小使基准答案随机进入模型生成结果
• 评测集污染使模型对公开基准的离线分数被高估

14、设备标识索引常用 B+ 树。相比把记录散布在内部结点，B+ 树叶子结点按键值有序链接的一个好处是？ {{ select(14) }}

• 查询通常可以绕过叶子页，主要在内部结点完成定位和返回
• 插入操作不再需要维护键值顺序关系
• 范围扫描沿叶子链表顺序访问
• 哈希冲突会在根结点合并处理，减少叶子链表维护成本

15、告警二分类里真实故障（正例）很少。如果只用总体准确率选模型，哪项能力最容易被掩盖？ {{ select(15) }}

• 模型对少数正例的识别能力可能明显不足
• 训练损失在每个批次中都无法执行反向传播
• 模型对多数负例的整体识别能力可能明显不足
• 预测概率无法用于排序，只能输出一个固定类别

16、制度问答解码采用 top-k 采样时，候选 token 如何确定？ {{ select(16) }}

• 始终选择概率最高的一个 token，不进行随机采样
• 保留累计概率达到阈值 $p$ 的最小候选集合后再采样
• 从完整词表的全部 token 中按原始概率直接采样
• 从概率最高的 $k$ 个 token 中采样

17、零件图分类训练时，对亮度和对比度做小幅随机扰动，且这种扰动不改变类别语义。原标签应怎样处理？ {{ select(17) }}

• 把类别标签改成背景类
• 把标签替换为随机类别
• 保持原类别标签不变化
• 降低样本监督权重，把增强后的样本更多作为无标签数据参与训练

18、企业助手要说明结论依据，但不能泄露隐藏推理、系统提示词或密钥。回答应包含什么？ {{ select(18) }}

• 完整输出内部逐步思考过程，同时隐藏最终使用的证据来源
• 给出结论、简洁依据和可核验的关键证据
• 同时返回系统提示词和工具密钥，交由用户自行审计
• 只给结论而不提供依据，避免暴露任何模型相关信息

19、告警模型不固定分类阈值时，ROC-AUC 重点衡量二分类模型的哪项能力？ {{ select(19) }}

• 衡量模型把正样本排在负样本之前的排序能力
• 衡量预测概率与真实发生频率之间的校准一致性
• 在一个固定阈值下统计分类预测正确的样本比例
• 计算预测概率与二分类标签之间的平均平方误差