📝 模型微调 章节测验
本章测验，共 5 题，通过分数线 60%
计分测验 · 通过线 60%
1. 什么情况下最适合对 LLM 进行微调？
A只是想让模型回答某个特定问题
B需要模型学习特定领域风格、格式或私有知识，且 Prompt 无法满足
C想提升模型推理能力
D想降低推理成本
2. LoRA（低秩适配）的核心思想是？
A重新训练所有参数
B冻结原模型权重，只训练低秩分解的少量适配参数
C增加模型层数
D替换注意力机制
3. QLoRA 相比 LoRA 的改进是？
A去掉了 LoRA 适配器
B在量化（4-bit）基础模型上应用 LoRA，大幅降低显存需求
C支持更大的批量
D提升了推理速度
4. 微调数据集质量比数量更重要，主要体现在？
A数据越多越好
B高质量标注的 1000 条数据往往优于低质量的 100000 条
C格式要统一
D数据要最新
5. 微调后评估模型效果，最不应该只关注的指标是？
A任务特定指标（如准确率、BLEU）
B人工评估样本
C训练损失（Training Loss）
D测试集上的综合表现
🎉 本章节已完成！继续学习
下一章节MLOps与模型部署MLOps导读
→