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。

20 道题 · 按题单顺序练习

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
  1. Transformer 靠什么机制建立长距离依赖单项选择
  2. token 到底是什么单项选择
  3. 上下文窗口是否包含模型的输出判断题
  4. temperature 调高会发生什么单项选择
  5. 哪些因素会导致模型产生幻觉多项选择
  6. embedding 向量的核心用途单项选择
  7. RAG 主要解决什么问题单项选择
  8. 参数量更大的模型是否总是更好的选择判断题
  9. 解释 zero-shot 与 few-shot 的区别与取舍简答题
  10. function calling 让模型做了什么单项选择
  11. 哪些做法能真正降低幻觉风险多项选择
  12. 提示注入只发生在 Agent 场景吗判断题
  13. 什么时候该选小模型(SLM)单项选择
  14. 控制 LLM 应用的 token 成本简答题
  15. 写一次带 system prompt 的对话调用编程题
  16. 微调、RAG 与提示工程怎么选简答题
  17. 开放权重模型自建与托管 API 的取舍多项选择
  18. 怎样评估一个 LLM 应用的质量单项选择
  19. 流式输出改变了什么单项选择
  20. 设计一个内部知识问答的最小可用方案简答题

登录哪都通