全部来自 AI 原创生成并经逐题审校的题目，带 精品 标记的为 AI 复审通过。整卷生成请去组卷。
下列四种情境中，对其环境性质的分析全部正确的是哪一项？甲：国际象棋对弈环境是完全可观察且确定的；乙：自动驾驶环境是部分可观察且动态随机的；丙：数独求解环境是部分可观察且静态的；丁：证券高频交易环境是完全可观察且确定的。 A. 甲、乙 B. 乙、丙 C. 甲、丁 D. 丙、丁
登录后查看答案
扫地机器人工作时，其智能体框架的正确顺序是：先通过传感器获取房间状态并判断灰尘位置，再决定行进路径，然后执行清扫动作。清扫后房间环境发生变化，机器人将再次感知新的环境状态。上述过程体现了智能体的哪种基本循环？A. 感知—决策—行动循环，且行动会改变环境，进而影响后续感知 B. 单向的输入—输出流程，行动后循环即终止，不再感知 C. 先行动再决策，最后才感知的逆向循环 D. 只需一次感知和决策，之后无需再感知即可持续工作
某目标检测模型对一张图像完成处理后，需要输出完整的三要素结果。已知模型在图像上确定了两个矩形预测框：框 P 左上角坐标 (20,30)、右下角坐标 (150,180)，判定内容为行人的可能程度为 0.87；框 Q 左上角坐标 (200,60)、右下角坐标 (300,160)，判定内容为汽车的可能程度为 0.92。若要把这两个检测结果完整记录下来，每个框至少应记录的信息组合是：A. 仅框的两个对角坐标 B. 框的两个对角坐标、预测类别及该类别的置信度 C. 仅预测类别与置信度 D. 框的对角坐标及预测框与真实框的交并比
某检测器给出三条候选记录：B₁=[12,8,40,36]、类别“自行车”、置信度0.82；B₂=[10,7,42,38]、类别“公交车”、置信度0.91；B₃=[13,9,39,35]、类别“自行车”、置信度0.76。已知B₁、B₂、B₃与真实自行车框的交并比分别为0.48、0.80、0.67；评估时仅将类别为“自行车”且交并比不低于0.50的候选视为匹配。符合条件的候选中，置信度最高者对应的目标检测输出是哪一项？ A. 边界框B₁，类别“自行车”，置信度0.82 B. 边界框B₂，类别“公交车”，置信度0.91 C. 边界框B₃，类别“自行车”，置信度0.76 D. 边界框B₃，类别“自行车”，置信度0.67
设长度为3的序列，某查询向量与各位置键向量的得分依次为 s₁=ln2、s₂=0、s₃=0，注意力权重由 softmax 归一化得到；三个位置的值向量（标量）分别为 v₁=6、v₂=4、v₃=8。该查询位置经自注意力加权聚合后的输出是多少？ A. 4 B. 5 C. 6 D. 8
某模型为每个词分配一个稠密向量，训练后发现“苹果”与“梨”的向量较接近。对这种词向量语义表征，以下判断最恰当的是哪一项？ A. 向量接近说明两个词在所有语境中都可以互换 B. 向量接近反映语料中的统计使用规律，但单一向量可能难以充分表达多义词的不同义项 C. 每个词的向量直接存储了该词的完整词典定义 D. 只要词有多个义项，模型就必然会为其自动分配多个向量
某领域中，“研究生命起源”通常按“研究／生命／起源”切分；“生命研究员”通常按“生命／研究员”切分。现有新造人名“林云帆”在训练词表中未出现。下列判断哪项最准确？ A. 两处“研究”必须切成相同的词，因为字串相同 B. 应结合上下文消解“研究”的切分差异；“林云帆”还体现未登录词问题 C. 汉语字间有天然边界，未登录词不会影响分词 D. 只要把词典扩充到足够大，所有语境歧义都自动消失
某同学设计了一个包含两个隐层的神经网络，为了让模型更简单，他将所有层的激活函数都设为恒等映射，即 σ(z)=z，每层仅做线性变换 Wx+b。关于该网络的表达能力，下列说法正确的是： A. 由于有两个隐层，网络可以拟合任意复杂的非线性函数 B. 去掉非线性激活后，多层线性变换叠加仍等价于一个单层线性变换 C. 隐层数量越多，网络的非线性表达能力越强 D. 恒等激活函数能为网络引入非线性因素，因此模型仍然有效
某团队设计三项学习任务：甲用带有“合格/不合格”标签的样本训练质检模型；乙对未标注的新闻文本自动发现主题簇；丙让虚拟赛车在赛道中反复选择转向和加速动作，并依据比赛结束后的成绩调整策略，过程中没有标注每一步的正确动作。甲、乙、丙对应的学习范式依次是？ A. 监督学习、无监督学习、强化学习 B. 监督学习、强化学习、无监督学习 C. 无监督学习、监督学习、强化学习 D. 强化学习、无监督学习、监督学习
有向图仅含边 S→A（代价2）、S→B（代价1）、A→G（代价5）、B→G（代价8），启发值为 h(S)=0、h(A)=4、h(B)=1、h(G)=0。A*以 f(n)=g(n)+h(n) 排序，每次取 f 最小节点扩展；若已在开放表中的节点获得更小 g 值则更新，取出目标节点时终止。算法返回的路径及总代价是： A. S→B→G，总代价9 B. S→A→G，总代价7 C. S→B→G，总代价8 D. S→A→G，总代价6
设 p、q、r 为三个命题，已知 p 与 q 均为真。若复合命题 (q→p)→(p→(q∧¬r)) 的真值为假，则 r 的真值为（ ）。 A. 真 B. 假 C. 无法确定 D. 与 p、q 的取值有关
某团队为同一类任务设计三种智能体：甲把领域知识编码为显式规则，并通过逻辑推演得出结论；乙从大量样本中调整多层神经网络的连接权重，以学习特征表示；丙不预设完整规则，而是在环境中尝试行动，根据奖惩信号改进策略。下列归类最准确的是哪一项？ A. 甲为符号主义，乙为连接主义，丙为行为主义 B. 甲为连接主义，乙为符号主义，丙为行为主义 C. 甲为符号主义，乙为行为主义，丙为连接主义 D. 甲为行为主义，乙为连接主义，丙为符号主义
某 9 阶对称矩阵仅压缩存储主对角线及其下方元素，并按行优先依次存入数组 D[3..47]，其中 D[3] 存放 A₁₁。每个元素占 4 字节，D[3] 的首地址为 5200。求 A₄₈ 的存储地址。 A. 5308 B. 5316 C. 5324 D. 5332
某卷积神经网络按「卷积—池化」逐级堆叠：输入为 32×32×3 的图像；第一层用 16 个 3×3 卷积核（步长 1，零填充保持尺寸）后接 2×2 最大池化（步长 2）；第二层用 32 个 3×3 卷积核（同样保持尺寸）后再接 2×2 最大池化；最后将特征图展平后接全连接分类层。该网络体现的典型结构趋势及展平后的特征向量维度分别为：A. 特征图尺寸逐层变小、通道数逐层增多，展平维度为 8×8×32=2048 B. 特征图尺寸逐层变大、通道数逐层减少，展平维度为 2048 C. 尺寸和通道数均逐层减少，展平维度为 1024 D. 尺寸和通道数均保持不变，展平维度为 3072
在多层前馈神经网络中，若各层之间仅做线性变换 Wx+b 且不使用任何非线性激活函数，则无论堆叠多少层，网络整体能表达的函数关系是什么？下列说法正确的是： A. 仍等价于一个单层线性变换，无法拟合非线性关系 B. 层数越多，表达能力越强，可拟合任意函数 C. 等价于一个多项式回归模型 D. 网络输出恒为零向量
某团队用多项式回归拟合训练集，观察到：训练均方误差为 0.01，验证均方误差为 2.5。为改善模型，先后采取三种措施：甲，提高多项式次数；乙，在损失函数中加入 L2 正则化项并保持模型结构不变；丙，扩充更多带标注的训练数据。下列判断正确的是： A. 该模型处于欠拟合状态，甲、乙、丙三种措施均能有效降低测试误差 B. 该模型处于过拟合状态，乙和丙通常有效，甲通常会加剧训练误差小而验证误差大的问题 C. 该模型处于欠拟合状态，只有甲有效，乙和丙均无效 D. 训练误差与验证误差差距不大，属于正常拟合，三种措施均无必要
某分类模型在训练集上的错误率很低，在未参与训练的测试集上却明显较高。若要根据这一误差差异判断模型状态并选择相应改进方案，哪项最恰当？ A. 过拟合；加强正则化或增加训练数据 B. 欠拟合；加强正则化或减少训练数据 C. 过拟合；增大模型复杂度以进一步降低训练误差 D. 欠拟合；保持模型不变并仅增加训练轮数
某医院用分类模型筛查一种罕见病，测试集中患病样本仅占1%。模型对全部样本都预测为「健康」时，评估结果中数值最高的指标是（ ） A. 准确率 B. 精确率 C. 召回率 D. F1 调和平均
某设备诊断系统的规则库为：R1：如果传感器甲异常，则记录告警；R2：如果记录告警且传感器乙正常，则启动复核；R3：如果启动复核，则判定为需检修；R4：如果传感器甲异常，则判定为需检修。已知事实为“传感器甲异常”和“传感器乙正常”。现要判断目标“需检修”是否成立，并比较正向与反向推理。下列说法唯一正确的是哪一项？ A. 正向推理可由R1、R2、R3推出目标；反向推理验证目标时可直接由R4及事实成立 B. 正向推理只能由R4推出目标；反向推理必须先推出规则R1的结论才能验证目标 C. 正向推理不能推出目标，因为R2含有两个条件；反向推理可忽略R4的条件 D. 正向推理可推出目标；反向推理必须遍历所有规则，不能从目标相关规则入手
某高校智能实验室对外介绍其研究成果：系统甲依据人工编写的谓词逻辑规则进行演绎推理；系统乙通过多层神经网络基于海量数据自动学习特征表示；系统丙在真实环境中通过不断尝试并根据奖赏信号调整行动策略。下列关于三个系统所属学派及其核心主张的判断，完全正确的是 A. 甲属符号主义，主张智能源于符号运算与逻辑推理；乙属行为主义，主张智能来自与环境的交互试错；丙属连接主义，主张智能产生于神经元的连接与并行分布式处理 B. 甲属连接主义，主张智能源于逻辑推理；乙属连接主义，主张智能来自神经网络学习；丙属符号主义，主张智能来自与环境交互 C. 甲属符号主义，主张智能源于符号运算与逻辑推理；乙属连接主义，主张智能产生于神经元的连接与并行分布式处理；丙属行为主义，主张智能来自与环境的交互和奖惩反馈 D. 甲属行为主义，主张智能源于试错学习；乙属符号主义，主张智能来自数据特征学习；丙属连接主义，主张智能来自逻辑演绎