AI 处理人类自然语言的基本单位记号（token），我们日常也称作（）
关于人和机器分词，下面说法正确的是（）
机器分词结果只能和人类完全一样
机器分词可以切分为词、子词、字符等多种形式
机器一定可以看懂文字的真实含义再分词
分词对 AI 处理文本没有作用
Jieba 分词工具主要作用是（）
把文本切分成适合人类阅读理解的词语
直接生成完整古诗
计算音频波形
生成视频画面
构建词表的时候，长串优先匹配指的是（）
优先匹配词表里更长的词语进行切分
优先匹配最短的字符
完全随机匹配
只匹配标点符号
新词不断涌现，完全依靠人工增补词表最大困难是（）
工作量巨大，很难及时更新全部新词
运行速度过快
自动生成视频
自动克隆语音
基于统计思想自动构建词表，主要依靠（）
字符、词语相邻出现的频次
图片像素大小
音频音量高低
视频帧率
现代语言处理系统构建词表一般采用的模式是（）
纯人工手动写全部词表
机器提取候选词 + 人工审核优化
完全交给机器，人完全不参与
直接复制视频字幕作为词表
机器完成自动分词主要依靠（）
统计计算词语出现的可能性得分
真正读懂句子的含义
播放音频辅助判断
解析视频画面内容
“南京市长江大桥” 分词案例中，机器选择得分更高的组合，目的是（）
得到概率最大的切分结果
修改原文文字内容
生成新的诗句
计算声音波形
第 6 课统计与文本生成告诉我们，文本生成的重要规律是（）
前文会影响、预测后文内容
文本生成完全不需要参考前面文字
只能生成古诗，不能生成普通句子
必须依靠图片才能生成文字
统计相邻字词共同出现的次数，可以用来（）
简单的文本、诗句生成预测
生成高清视频
做声音克隆
绘制知识图谱
在字词统计表格中，单元格数字 “2” 代表（）
两个字在训练文本里相邻出现 2 次
文本总共有 2 个段落
音频音量大小为 2
图片分辨率为 2
简单统计相邻字生成诗句的软件，对古诗文的理解情况是（）
并不真正理解诗文含义，只学习字符组合规律
可以读懂诗歌表达的情感
能够赏析文学意境
可以自主修改古诗原文
大语言模型相比简单相邻字统计模型，说法正确的是（）
可以捕捉更远距离字词之间的复杂关联关系
完全抛弃统计的预测思想
只能生成五言古诗
只能处理 3 个字以内的短句
拓展提升案例：猫吃____，狗吃____，说明生成预测的时候（）
有时候需要参考隔了几个词的前文信息
只看紧挨着的前一个字就足够
不需要任何前文信息
必须参考图片信息
第 7 课，只用简单数字编号记录词语，最大问题是（）
数字编号无法表达词语之间的语义含义、语义关系
数字占用存储空间太大
只能处理中文词语
会直接改变原文文本
语义编码指的是（）
使用一组数字，用来表示词语的语义特征
单个简单整数编号
音频波形数据
视频帧编码
语义相近的两个词语，它们的语义编码在坐标空间中会表现为（）
距离更近
距离更远
完全重合不变
数值一定完全相等
“窗口” 一词，在 “房间窗口” 和 “计算机窗口” 含义不一样，解决该问题依靠（）
根据上下文动态调整语义编码
使用固定不变的语义编码
直接删除这个词语
更换数字编号
获取一整段文本的语义编码，不包括下面哪一种方式（）
直接读取音频波形计算
简单求取各个词编码的平均值
根据词重要性加权平均
取特征最大值或者最小值
语义相似度计算，依靠编码之间距离判断，规则是（）
距离越小，语义越相似
距离越大，语义越相似
距离等于 0 代表意思一定相反
距离和语义相似度没有关系
第 8 课注意力机制，课堂接力造句活动一中，句子越来越混乱的主要原因（）
后面队员无法聚焦前文重点，不能回溯关键信息
写的字数量太少
书写速度太慢
参与的同学人数太少
接力造句活动二，给前面词语标记重要性分数，分数分布相当于 AI 的（）
注意力分布
语义编码
token 词表
统计频次表
关于注意力分布，说法正确的是（）
模型经过学习自动判断信息重要程度，不是人为凭空设定
每一次生成文本注意力分布永远固定不变
注意力机制只可以处理古诗，不能处理普通文字
注意力可以直接生成视频画面
注意力机制对大模型文本生成的主要作用是（）
记住并且聚焦文本关键信息，保障生成文本连贯准确
直接生成音频声音
构建分词词表
统计字的出现次数
《注意力分布观察器》软件主要用来（）
观察文本生成过程当中注意力分布的变化
训练古诗生成模型
做声音模拟
生成 AI 绘画图片
第 9 课，大语言模型多角度审核机制的作用是（）
约束生成内容，保障内容安全、风格、字数符合要求
自动修改原始训练数据集
提升音频播放音量
生成视频关键帧
“道德观察员” 角色在多约束叙事活动中的职责是（）
检查内容是否含有暴力、不适的内容
检查文本字数多少
检查文风风格是否匹配
统计 token 数量
“文风质检员” 在多约束叙事任务负责（）
判断生成文本风格是否符合任务要求
过滤全部数字
修改训练数据
计算语义相似度
“纪律委员” 角色在多约束叙事任务主要检查（）
文本的字数是否符合任务规定
检查图片清晰度
判断词语语义相似度
调整注意力权重
多角度审核约束生成文本，下面说法错误的是（）
约束只会限制创作，完全没有积极意义
是保障内容安全的伦理层面要求
多个约束角色可以互相制衡
多候选并行评估可以提高优质内容产出
大语言模型 “温度（temperature）” 参数主要控制（）
生成文本内容的多样性
输出文本字体大小
语义编码的维度
分词词表大小
温度参数设置为 0 的时候，多次输入相同提示词，输出结果一般会（）
几乎完全相同，随机性很低
每次输出完全不一样
直接输出古诗
直接输出音频文件
模型训练数据混入少量错误样本，会带来什么现象（）
有可能让模型输出出现错误回答
模型会直接崩溃无法运行
自动删除全部训练数据
自动生成正确答案，不受任何影响
如果训练时加入大量正确样本，对少量错误数据的影响会（）
稀释错误数据的影响，纠正模型输出
放大错误的影响
模型直接拒绝训练
自动生成视频素材
关于训练数据集，下面说法正确的是（）
高质量样本占比高，模型输出结果会更可靠
训练数据必须做到绝对干净不能有一点错误，否则完全不能用
错误数据越多模型越聪明
训练数据只可以是古诗文本
下面哪一项不属于影响大语言模型文本生成结果的因素（）
显示器屏幕分辨率
用户输入提示词清晰程度
模型温度参数设置
训练数据集质量
用户输入的提示词越清晰、信息越丰富，大模型生成内容通常会（）
越准确，越贴合需求
一定变得更长，但是毫无逻辑
一定会出现大量错误
自动转为语音输出
经过特定任务微调过的大语言模型，在对应任务场景会（）
更容易理解并且遵循用户的意图
一定不会输出任何错误
只能输出简短句子
只能生成诗歌
安全机制对大模型生成文本的作用是（）
限制、修改不当内容，规避不良输出
大幅度提升生成内容的多样性
自动扩充训练数据集
调整分词策略
机器分词得到的 token 数量，可以类比为（）
网络流量，token 越多消耗越大
音频的音量
图片的像素数量
视频的帧数量
下面哪一个属于子词分词示例（）
unhappy 切分为 un /happy
把古诗整句当作一个 token
将音频切分成波形片段
将视频切分成帧
基于统计自动构建词表的迭代步骤，第一步操作是（）
将文本拆解成单个字符，去掉标点得到初始词表
直接生成完整句子
计算语义相似度
设置注意力权重
简单文本统计生成模型局限性是（）
只能参考邻近字词，很难捕捉远距离关联
可以完全理解文章思想感情
可以生成高质量长小说没有任何问题
可以直接生成图片
语义编码进行相似度计算，不能实现下面哪一项（）
直接生成全新的视频短片
判断两段文字表达含义是否接近
辅助做文本分类任务
辅助完成多文稿一致性比对
注意力机制在生成每一个新词的时候会（）
动态重新衡量前文各个信息的重要程度
固定不变，从头到尾一套权重
修改训练数据集
改变分词词表
下列关于 token（记号）说法错误的是（）
token 只能是完整的中文词语，不能是字符、子词
token 是 AI 处理文本的基本单位
不同模型分词策略不同，token 切分结果不一样
token 数目多少会影响模型输入输出消耗
多角度审核的 “多候选机制”，主要是指（）
同时保留多个备选文本，并行评估筛选优质内容
一次只输出一个固定答案
修改训练数据生成更多样本
调高温度参数增大随机性
对于文本智能生成，下面观念正确的是（）
AI 依靠统计、注意力、语义编码等技术，但是输出仍然需要人工甄别判断
AI 生成文本全部是正确无误的，不用检查
AI 可以真正读懂、感悟文字背后人类的思想情感
训练数据有一点错误，模型就彻底报废不能使用