iPAS AI應用規劃師-初級 (3) / iPAS AI 應用規劃師, AI 測驗題庫, iPAS AI 初級, 測驗題庫 / 作者: S學院 iPAS AI應用規劃師-初級 (3) 模擬測驗，採智能選題，無限次反覆練習。 1. REST API與普通API相比的主要特點是： 僅支持XML格式 只能用於移動應用 更複雜的設計 基於HTTP協議，提供了一種簡單且靈活的設計風格 None 2. 下列哪項不是Transformer架構的主要組成部分？ 多頭注意力機制 殘差連接 層歸一化 循環連接 None 3. 在Transformer架構中，自注意力機制（Self-Attention）計算時間複雜度為： O(n) O(n log n) O(n²) O(log n) None 4. 在跨語言模型中，語言嵌入（Language Embedding）的主要作用是： 加速模型收斂 捕捉語言間的共性和差異 提高單語言處理精度 減少參數數量 None 5. 在跨模態學習（Cross-modal Learning）中，"模態間的語義對齊"面臨的主要挑戰是： 缺乏標註數據 不同模態的表示空間存在差異 模型參數過多 計算資源不足 None 6. 在自然語言處理中，"篇章關係解析"（Discourse Relation Parsing）的核心任務是： 識別文本片段之間的邏輯關係 判斷文本的體裁類型 識別文本的主題變化 分析句子的語法結構 None 7. 在機器學習中，模型集成(Model Ensemble)技術的主要好處是： 通常比單個模型表現更好更穩定 減少存儲需求 減少訓練時間 簡化模型架構 None 8. 在自然語言處理中，GPT模型與BERT模型的主要區別是： BERT比GPT小得多 GPT使用單向自注意力而BERT使用雙向 GPT不能生成文本 GPT不使用Transformer架構 None 9. 下列哪種模型不是基於自回歸（Autoregressive）原理？ XLNet GPT Transformer-XL BERT None 10. Transformer模型中的位置編碼（Positional Encoding）的主要目的是： 為模型提供序列順序信息 減少模型的計算複雜度 提高模型的泛化能力 解決多語言處理問題 None 11. 在生成式AI中，解碼策略中的"束搜索"(Beam Search)主要解決了什麼問題？ 生成文本的多樣性不足 訓練速度過慢 模型參數過多 貪婪解碼（Greedy Decoding）產生次優解 None 12. 在機器學習中，正則化技術主要用於： 加速模型訓練 增加模型複雜度 增加訓練數據量 防止過擬合 None 13. 在自然語言處理中，文本數據增強(Text Data Augmentation)技術的主要目的是： 增加訓練數據的多樣性，提高模型泛化能力 減少模型參數 減少訓練時間 簡化模型架構 None 14. Transformer模型中的殘差連接的主要作用是： 增加模型複雜度 減少訓練時間 減少模型參數 允許模型在每層中保留原始輸入，幫助避免梯度消失問題 None 15. 生成式AI中的"能力湧現"（Emergent Abilities）現象指的是： 模型在不同任務間的知識遷移 模型規模增大後出現的新能力 通過微調獲得的特定技能 模型在特定領域的突出表現 None 16. Transformer模型中，多頭注意力機制（Multi-head Attention）相比於單頭注意力的優勢是： 訓練收斂更快 可以從不同的表示子空間關注信息 需要的參數更少 計算效率更高 None 17. 語言模型中的"幻覺"（Hallucination）問題指的是： 生成看似合理但實際不正確的內容 模型過度記憶訓練數據 生成的內容與輸入不相關 模型無法生成連貫的長文本 None 18. 語言模型中"對齊問題"（Alignment Problem）主要涉及： 將模型預測與真實標籤對齊 使模型行為符合人類價值觀和偏好 優化模型的參數初始化 確保模型在不同硬件上的一致性 None 19. 實體識別中的"巢狀實體"（Nested Entity）問題指的是： 跨越多個句子的實體 具有模糊邊界的實體 實體內部包含其他實體 實體名稱中包含特殊字符 None 20. 在跨語言信息檢索（Cross-lingual Information Retrieval）中，最困難的挑戰是： 多語言索引構建 翻譯歧義與文化差異的處理 查詢擴展 相關性排序 None 如有問題可留言，謝謝您的寶貴意見！ 暱稱 電郵（提交獲得正確答案，可換題測驗完整題庫，新增題庫電郵通知） Time's up
