一、单选题

1、展厅要把文物点云做成可交互的三维高斯场景。训练中途会做 densification。下列说法正确的是？ {{ select(1) }}

• densification 用泊松重建替换高斯表示，训练中途切换几何后端
• densification 仅在导出 mesh 时执行一次，训练阶段冻结高斯个数
• 在梯度较大或高斯尺寸不匹配的区域做 clone / split,动态增加或分裂高斯,提升欠拟合区域的重建质量
• densification 只把所有高斯半径统一放大一倍，不增不减个数

2、值班日志检索要把很长的 token 序列送进注意力层，显存已经打满。讨论 FlashAttention 的核心机制时，下列说法正确的是？ {{ select(2) }}

• 通过在线 softmax 与分块(tiling)把 attention 显存从 O(N²) 降到 O(N),数值等价原实现
• 把注意力矩阵改成随机投影后不可逆压缩，显存下降但无法还原原分数
• 只在 CPU 上用稀疏掩码跳过计算，GPU kernel 保持不变
• 用固定窗口截断 key/value，超出窗口的位置直接丢弃且不可恢复

3、巡检照片问答台要把摄像头画面和值班提问送进同一套语言模型。关于 LLaVA 系列视觉–语言对齐的典型做法，下列说法正确的是？ {{ select(3) }}

• 把图像像素直接当词表 id 查 embedding，不再经过视觉编码器
• 用两层 MLP projector 把视觉 encoder 特征映射到 LLM 的 token embedding 空间,与文本 token 拼接后送入 LLM
• 用对比学习把整图压成一个标量分数，再与文本相似度相乘
• 训练时删掉文本 token，只让 LLM 读视觉特征

4、货架俯拍要做商品检测。骨干从 ViT 换成 Swin Transformer。关于 Swin 相对 ViT 的关键差异，下列说法正确的是？ {{ select(4) }}

• Swin 把整图展平后只做一层全局平均池化，不再计算任何注意力
• Swin 强制输入分辨率必须是 224，其他尺寸直接拒绝
• Swin 用 FFT 把空间混合换成频域点乘，与窗口无关
• Swin 用 window attention + shifted window,把复杂度从 O(N²) 降到 O(N),并保留跨窗口信息交换

5、分拣机械臂要根据料箱画面给出抓取轨迹。策略头在确定性 MLP 和 Diffusion Policy 之间选型。下列说法正确的是？ {{ select(5) }}

• 通过条件扩散过程建模多模态动作分布,可表示"多种同样合理"的动作,并输出稳定的动作 chunk
• 把动作空间离散成 4 个方向按键，用分类头一次输出
• 用卡尔曼滤波替代策略网络，不再学习视觉条件
• 推理时把扩散步数固定为 0，直接输出噪声本身作为动作