PRACTICE / 大模型应用开发
生成式 AI 与大模型基础
覆盖生成式 AI 的核心概念:Transformer 与自注意力、token 与上下文窗口、采样参数、嵌入向量、幻觉成因与治理、function calling、RAG 与微调的取舍、小模型与开源模型选型,以及 LLM 应用的评估与安全边界。考点覆盖参考 microsoft/generative-ai-for-beginners(MIT)的课程大纲,题干、答案与提示为中文原创。
从理解到表达,逐题检验掌握程度。
支持选择题、判断题和简答题。浏览无需登录,提交后参考答案和作答记录会与 App 同步。
开始练习题目列表
共 20 题- Transformer 靠什么机制建立长距离依赖单项选择
- token 到底是什么单项选择
- 上下文窗口是否包含模型的输出判断题
- temperature 调高会发生什么单项选择
- 哪些因素会导致模型产生幻觉多项选择
- embedding 向量的核心用途单项选择
- RAG 主要解决什么问题单项选择
- 参数量更大的模型是否总是更好的选择判断题
- 解释 zero-shot 与 few-shot 的区别与取舍简答题
- function calling 让模型做了什么单项选择
- 哪些做法能真正降低幻觉风险多项选择
- 提示注入只发生在 Agent 场景吗判断题
- 什么时候该选小模型(SLM)单项选择
- 控制 LLM 应用的 token 成本简答题
- 写一次带 system prompt 的对话调用编程题
- 微调、RAG 与提示工程怎么选简答题
- 开放权重模型自建与托管 API 的取舍多项选择
- 怎样评估一个 LLM 应用的质量单项选择
- 流式输出改变了什么单项选择
- 设计一个内部知识问答的最小可用方案简答题