1、磁头当前停在 38 号柱面，采用最短寻道时间优先（SSTF）。等待服务的请求如下，一次符合 SSTF 的服务顺序是（）。

| 请求序号 | 柱面号 |

| 1 | 30 |

| 2 | 45 |

| 3 | 45 |

| 4 | 58 |

| 5 | 30 |

| 6 | 58 |

| 7 | 90 |

{{ select(1) }}

• 2-4-6-3-5-1-7
• 1-3-2-4-7-6-5
• 2-3-6-4-1-5-7
• 3-2-5-4-1-7-6

3、IPv4 网段 $10.40.64.0/19$ 中，既落在该子网、又可分配给普通主机的地址是？

{{ select(3) }}

• $10.40.96.1$
• $10.40.64.0$
• $10.40.95.255$
• $10.40.95.254$

4、全参微调与 PEFT 相比，哪一项说法不准确？

{{ select(4) }}

• 全参微调在样本很少时更容易把旧能力冲掉
• 多任务共用主干时，PEFT 更容易把底座参数稳住
• PEFT 更利于跨任务迁移，也便于一份主干多处部署
• PEFT 往往更占显存，训练开销也更大

5、教务问答模型已用 PEFT 训好，曲线正常，但上线后遇到新学期选课规则就答不准。要花最小代价补时效，应优先

{{ select(5) }}

• 把 LoRA 的秩调大，指望新规则被写进参数
• 用新规则样本做小步增量微调，并做版本隔离与可回滚
• 把推理温度调高，让模型更敢“编”新规则
• 用全部历史数据从头再训一遍

6、关于大模型微调，哪一项是错的？

{{ select(6) }}

• Adapter 靠插入小型子网络来减少要更新的参数
• Prompt Tuning 冻结原权重，只去改每一层注意力的投影矩阵
• 全参微调对算力要求高，百亿模型更明显
• LoRA 通过对权重更新做低秩分解来做高效微调