考试重要提示:
答题开始即开始计时,中途不可暂停,如超时则自动提交。
- 本次考试共计 100 道题目,试卷总分 100 分,通过考试的成绩为 80 分及以上。
- 请务必在 120 分钟内完成交卷,由于考试过程不可暂停,请您提前规划好个人时间,若未能在规定时间内交卷,本次考试成绩将判定无效。
- 在开始答题前,系统会进行严格的身份验证流程。届时,请您准备好身份证,拍摄并上传身份证的人像面照片,同时按照系统的指引,开启摄像头完成面部识别,以确保考试身份的真实性。
- 整个考试期间,请保持摄像头开启状态,并确保摄像头清晰对准您的面部。系统会不定时抓拍您的考试画面,并与您上传的身份证照片进行比对。若系统检测到任何作弊行为,您本次的考试成绩将直接作废。
- 考试过程中,系统将持续监测您所使用浏览器的状态。一旦发现诸如最小化浏览器窗口、随意切换标签页、故意缩放窗口大小等行为,或者出现广告弹窗干扰考试,系统将及时发出警告。若此类异常行为次数过多,您的考试成绩同样会被判定无效。
- 为保证考试顺利进行,在考试开始前,请务必关闭各类即时通信软件以及其他任何可能弹出窗口的软件,避免因软件弹窗影响您的考试发挥。
单选题
-
关于使用OpenAI Python SDK调用通义千问大模型,以下说法正确的是( )
A. 直接在代码中写入API Key是安全的做法
B. 调用通义千问无需开通模型调用服务和创建API Key
C. 应将API Key存储在环境变量中以提高安全性
D. 调用模型时不需要切换到指定的python环境 -
当使用通义千问大模型进行问答时,若想实现流式输出,以下操作正确的是( )
A. 在代码中添加stream=False参数
B. 无需调整代码,默认就是流式输出
C. 在创建client.chat.completions.create时添加stream=True参数,并调整输出方式
D. 重新安装OpenAI Python SDK才能实现流式输出 -
对于大模型的问答工作流程,以下关于输入文本分词化的描述正确的是( )
A. 分词是将句子分割成任意长度的片段
B. 每个Token不需要分配ID
C. 分词的基本单元通常是词语、词组或者符号
D. 无法使用Tokenizer API计算Token -
在大模型生成内容过程中,若想让模型生成更具创意的广告文案,temperature参数应如何设置( )
A. 调低温度,如设置为0.1
B. 调高温度,如设置为1.5
C. 使用默认温度(通常为中温度范围)
D. 温度设置对生成广告文案没有影响 -
当使用top_p控制候选Token集合的采样范围时,若希望模型输出更稳定,适合新闻初稿生成,top_p值应( )
A. 设为较大值,如0.9
B. 设为较小值,如0.001
C. 设为默认值0.8
D. top_p值对输出稳定性没有影响 -
为了让大模型能够回答私域知识问题,优先考虑的方法是( )
A. 微调模型
B. 训练一个新的模型
C. 在提问时直接传入私域知识相关的参考信息
D. 重新选择一个能处理私域知识的大模型 -
构建检索增强式生成(RAG)应用时,建立索引阶段的主要操作是( )
A. 直接将私有知识文档作为背景信息输入大模型
B. 将文件内容分割并转化为多维向量,并结合向量存储保留文本的语义信息
C. 根据用户提问从索引中检索相关文档片段
D. 将检索到的文档片段与提问一起输入到大模型生成回答 -
在使用LlamaIndex创建RAG应用时,SimpleDirectoryReader方法的主要作用是( )。
A. 对文本进行向量化
B. 将指定文件夹中的文件加载为document对象
C. 保存索引到本地
D. 创建提问引擎 -
关于RAG应用中索引保存与加载的说法,正确的是( )。
A. 保存索引会降低应用的响应速度
B. 加载索引时无需指定embedding模型
C. LlamaIndex不支持索引的保存与加载
D. 保存索引可以避免重复建立索引,提升回复速度 -
在RAG应用的多轮对话中,LlamaIndex实现多轮对话的关键在于( )。
A. 直接将历史对话信息全部输入检索系统
B. 利用大模型基于历史对话信息改写用户问题
C. 仅依靠embedding模型处理历史对话信息
D. 将上一轮的回答结果直接用于下一轮检索 -
运行代码创建RAG应用时,设置streaming=True的主要目的是( )。
A. 加快索引创建速度
B. 实现流式输出,边生成边展示回复内容
C. 提高检索的准确性
D. 减少内存占用 -
在RAG应用的建立索引阶段,文本向量化的作用是( )。
A. 对文本进行分段
B. 将自然语言转化为计算机能理解的数字形式以便比较相似度
C. 存储索引到向量数据库
D. 解析知识库文档 -
当使用LlamaIndex创建RAG应用时,OpenAILike类中设置is_chat_model=True的作用是( )。
A. 表示使用的是聊天模型,支持多轮对话
B. 提高模型的生成能力
C. 与OpenAI模型完全兼容
D. 优化检索功能 -
在创建RAG应用时,若要更换embedding模型,以下操作正确的是( )。
A. 只需修改DashScopeEmbedding中的model_name参数
B. 仅在load_index_from_storage函数中修改相关参数
C. 需要同时修改索引创建和加载过程中涉及的embedding模型设置
D. 无需修改代码,LlamaIndex会自动适配新模型 -
在使用LlamaIndex创建RAG应用时,原默认提示词模板中的{context_str}在向量检索和提问过程中会被替换为( )。
A. 用户的问题
B. 从向量库中检索到的上下文信息
C. 大模型的角色信息
D. 输出格式说明 -
为了让大模型输出结构化的内容,在提示词中不需要明确的是( )。
A. 输出的格式
B. 输出类型
C. 模型的推理方式
D. 枚举值的范围 -
在使用大模型进行意图识别时,以下哪种情况会被分类为“内容翻译”( )。
A. 问题涉及公司政策
B. 问题涉及检查外部文档内容
C. 问题涉及任意一门非中文的语言,且输入中出现外语或“翻译”等字眼
D. 问题涉及内部工具的使用方法 -
推理大模型相较于通用大模型多出了“思考过程”,这一特点的主要优势不包括( )。
A. 减少模型出现“拍脑袋”的错误
B. 方便人们理解模型的推理逻辑
C. 使模型在所有任务上都表现更优
D. 在分步思考过程中可回头检查并调整思路 -
对于一个需要对大量代码进行审查并进一步调试、改进的任务,推荐使用( )。
A. 通用模型,因为其响应速度快
B. 推理模型,因为其专注于逻辑推理
C. 通用模型,因为其覆盖多领域海量数据
D. 推理模型,因为其训练数据侧重代码逻辑 -
在优化提示词以改善大模型回答质量的示例中,为了让答疑机器人在回答工具咨询类问题时给出下载地址链接,采取的方法是( )。
A. 让同事在提问时加上“给出下载地址”的说明
B. 在收到用户问题后,补充对回答内容的要求
C. 重新训练模型
D. 更换大模型 -
在使用推理大模型时,以下关于提示词技巧的说法错误的是( )。
A. 保持任务提示简洁清晰,提供足够的背景信息
B. 一般无需提示推理模型“逐步思考”
C. 不需要纠结提示词是否完善,可不断调整
D. 必须使用思维链提示来提升推理效果 -
在使用Ragas计算Answer Correctness指标时,以下哪种数据不是必需的?( )
A. question(输入给RAG应用的问题)
B. ground_truth(预先知道的正确答案)
C. answer(RAG应用产生的答案)
D. contexts(检索召回的参考信息) -
关于Ragas中Context Precision指标的计算,下列说法错误的是?( )
A. 按顺序读取contexts中的contexti,根据question与ground_truth判断其是否相关
B. 对于每一个context,以该context及之前context的分数
1437



被折叠的 条评论
为什么被折叠?



