阿里云大模型ACP认证模拟考试（三）

最新推荐文章于 2026-07-12 15:42:44 发布

原创

最新推荐文章于 2026-07-12 15:42:44 发布 · 3.4k 阅读

考试重要提示：

答题开始即开始计时，中途不可暂停，如超时则自动提交。

本次考试共计 100 道题目，试卷总分 100 分，通过考试的成绩为 80 分及以上。
请务必在 120 分钟内完成交卷，由于考试过程不可暂停，请您提前规划好个人时间，若未能在规定时间内交卷，本次考试成绩将判定无效。
在开始答题前，系统会进行严格的身份验证流程。届时，请您准备好身份证，拍摄并上传身份证的人像面照片，同时按照系统的指引，开启摄像头完成面部识别，以确保考试身份的真实性。
整个考试期间，请保持摄像头开启状态，并确保摄像头清晰对准您的面部。系统会不定时抓拍您的考试画面，并与您上传的身份证照片进行比对。若系统检测到任何作弊行为，您本次的考试成绩将直接作废。
考试过程中，系统将持续监测您所使用浏览器的状态。一旦发现诸如最小化浏览器窗口、随意切换标签页、故意缩放窗口大小等行为，或者出现广告弹窗干扰考试，系统将及时发出警告。若此类异常行为次数过多，您的考试成绩同样会被判定无效。
为保证考试顺利进行，在考试开始前，请务必关闭各类即时通信软件以及其他任何可能弹出窗口的软件，避免因软件弹窗影响您的考试发挥。

单选题

关于在代码中处理API Key的安全做法，以下说法正确的是？（）
A. 直接在代码中写入API Key
B. 将API Key存储在环境变量中
C. 在代码中明文编码API Key
D. 将API Key以注释形式写在代码里
当使用OpenAI Python SDK调用通义千问大模型时，设置base_url="https://dashscope.aliyuncs.com/compatible - mode/v1"的作用是？（）
A. 设置模型的训练地址
B. 设置模型调用的API地址
C. 设置数据存储地址
D. 设置日志记录地址
在大模型的问答工作流程中，将“Token进行数字化转换，使其可以被计算机所理解”这一操作属于哪个阶段？（）
A. 输入文本分词化
B. Token向量化
C. 大模型推理
D. 输出Token
假设要让大模型生成一段富有创意的广告文案，应该如何调整temperature参数？（）
A. 调低temperature值
B. 调高temperature值
C. 使用默认temperature值
D. 将temperature值设为0
当使用top_p参数控制大模型候选Token集合的采样范围时，若top_p = 0.5，模型的选择倾向是？（）
A. 优先选择最高概率的Token
B. 从所有Token中随机选择
C. 选择累计概率达到0.5的所有Token
D. 选择概率最低的Token
在让大模型回答私域知识问题时，优先考虑通过提示词传递私域知识的原因是？（）
A. 微调模型效果不佳
B. 训练新模型成本低但效果差
C. 微调和训练新模型成本高
D. 提示词传递知识更准确
构建RAG应用的建立索引阶段，将文件内容转化为多维向量并结合向量存储的目的是？（）
A. 方便进行文本编辑
B. 提高模型训练速度
C. 方便进行相似度计算，高效检索和匹配相关内容
D. 降低模型计算复杂度
在利用LlamaIndex创建RAG应用时，以下关于SimpleDirectoryReader方法的说法正确的是（）
A. 该方法用于将指定文件解析为向量
B. 它可以直接将指定文件夹中的文件加载为document对象，对应文档解析过程
C. 主要用于创建索引
D. 用于设置提问引擎的参数
在RAG应用的建立索引过程中，文本向量化的作用是（）
A. 将文本分割成小段，便于后续查找
B. 把文本存储到向量数据库中
C. 通过嵌入模型对段落与问题进行数字化表示，以便进行相似度比较
D. 对解析后的文本进行标记
当使用LlamaIndex创建RAG应用并设置提问引擎时，OpenAILike类中is_chat_model参数设置为True的作用是（）
A. 启用聊天模式，使模型能够更好地处理多轮对话
B. 表示使用的是聊天类的大模型
C. 让模型可以接收聊天格式的输入
D. 以上说法都正确
在RAG应用中，若要实现多轮对话，LlamaIndex提供的CondenseQuestionChatEngine类主要通过（）来处理历史对话信息。
A. 直接将历史对话信息添加到检索输入中
B. 利用大模型基于历史对话信息改写用户问题
C. 存储历史对话中的关键文本段
D. 对比历史对话中的向量相似度
分析以下代码片段，在保存与加载索引的过程中，load_index_from_storage函数的作用是（）
```
from llama_index.core import StorageContext,load_index_from_storage
storage_context = StorageContext.from_defaults(persist_dir="knowledge_base/test")
index = load_index_from_storage(storage_context,embed_model=DashScopeEmbedding(
model_name=DashScopeTextEmbeddingModels.TEXT_EMBEDDING_V2
))
```
A. 将索引保存到本地指定路径
B. 从本地指定路径加载索引，并根据指定的嵌入模型进行相关设置
C. 创建一个新的索引对象
D. 从向量数据库中读取索引数据
在创建RAG应用时，VectorStoreIndex.from_documents方法中除了传入documents参数外，还指定了embed_model参数，关于该参数的说法错误的是（）
A. 用于指定嵌入模型，对文本进行向量化操作
B. 可以选择不同的嵌入模型，如DashScopeEmbedding
C. 该参数决定了索引建立的速度
D. 不同的嵌入模型可能会影响检索结果的准确性
在RAG应用的检索生成阶段，为了提高检索准确性，除了使用性能强大的embedding模型，还可以采用的方法是（）
A. 调整文本分段的长度
B. 对向量数据库进行加密处理
C. 做重排（rerank）、句子窗口检索等
D. 增加大模型的训练数据量
关于使用大模型进行意图识别，以下说法正确的是（）
A. 只能通过对模型进行微调来实现意图识别
B. 使用提示词引导大模型进行意图识别需要修改模型本身参数
C. 通过设计特定提示词引导大模型生成符合预期回答可实现意图识别，且无需修改模型参数
D. 意图识别无法应用到答疑机器人中
在构建提示词模板时，若想让大模型以公司客服身份简明扼要回答用户问题且依据上下文信息，以下哪个选项是正确的模板构建代码片段（）
A. prompt_template_string = “你回答用户的问题，不要输出其他信息\n”
B. prompt_template_string = “你是公司的客服小蜜，你需要简明扼要的回答用户的问题\n【注意事项】：\n1. 依据上下文信息来回答用户问题。\n2. 你只需要回答用户的问题，不要输出其他信息\n以下是参考信息。\n---------------------\n{context_str}\n---------------------\n问题：{query_str}\n。\n回答：”
C. prompt_template_string = “【注意事项】：\n1. 依据上下文信息来回答用户问题。\n2. 你只需要回答用户的问题，不要输出其他信息\n问题：{query_str}\n。\n回答：”
D. prompt_template_string = “你是公司的客服小蜜，你需要回答用户的问题，不用考虑上下文\n回答：”
当使用推理大模型优化如下Python代码时，哪种提示词能获得更有针对性的建议（）