iPAS 考題解析
在少樣本提示（Few-shot Prompting）僅能提供 1 - 2 個範例的情況下，若遇到領域偏移（Domain Shift），下列何者為模型最可能面臨的核心挑戰？
初級 生成式AI應用與規劃
難度：中等 ★★☆ 114 年考題
考試範圍定位
- 考試等級
- 初級能力鑑定
- 考試科目
- 生成式 AI 應用與規劃
- 知識主題
- 生成式 AI 應用領域與工具使用
- 能力指標
- 如何善用生成式 AI 工具（L12202）
本題屬於 iPAS AI 應用規劃師初級能力鑑定「生成式 AI 應用與規劃」科目中的「生成式 AI 應用領域與工具使用」範疇， 對應的能力指標為「如何善用生成式 AI 工具」，涵蓋提示工程（提示詞框架、設計與優化）、RAG、AI 工具整合等核心知識點。 考生在準備這個範疇時，需要掌握相關的理論基礎與實務應用。
題目與選項
在少樣本提示（Few-shot Prompting）僅能提供 1 - 2 個範例的情況下，若遇到領域偏移（Domain Shift），下列何者為模型最可能面臨的核心挑戰？
- A. 範例數量過少，無法涵蓋新領域的多樣性，導致模型泛化不足 ✓ 正確答案
- B. 範例表徵有限，模型容易依賴單一樣本特性而降低適應力
- C. 範例覆蓋不足，使模型難以抽取跨領域的穩定模式
- D. 範例資訊過於稀缺，模型缺乏應對不同輸入情境的能力
詳細解析
正確答案：A. 範例數量過少，無法涵蓋新領域的多樣性，導致模型泛化不足
當 Few-shot 僅有 1-2 個範例且遇到領域偏移時，最核心的問題是範例數量過少，無法涵蓋新領域的多樣性。模型無法從極少的範例中學習到新領域的特徵分佈，導致泛化能力嚴重不足。
各選項逐一解析
理解每個選項為什麼對或錯，是真正掌握這個知識點的關鍵。以下逐一分析每個選項的含義與判斷依據。
A. 範例數量過少，無法涵蓋新領域的多樣性，導致模型泛化不足 （正確）
正確：極少範例無法代表新領域的多樣性，是領域偏移場景中泛化不足的核心原因。
B. 範例表徵有限，模型容易依賴單一樣本特性而降低適應力 （不正確）
依賴單一樣本特性是可能的問題，但核心挑戰在於無法涵蓋新領域多樣性。
C. 範例覆蓋不足，使模型難以抽取跨領域的穩定模式 （不正確）
抽取跨領域模式的困難源自範例不足，這是結果而非核心挑戰本身。
D. 範例資訊過於稀缺，模型缺乏應對不同輸入情境的能力 （不正確）
缺乏應對不同情境能力是泛化不足的另一種描述，核心原因仍是範例數量不足。
延伸學習
本題尚未連結特定術語，你可以從以下常見主題開始探索相關知識。
中等題備考建議
- ▶ 本題屬於中等難度，需要理解概念之間的關聯與應用情境，不能只靠死背定義。
- ▶ 中等難度的題目常考「為什麼」和「怎麼用」，建議整理各技術的優缺點比較表。
- ▶ 練習時注意錯誤選項的陷阱設計，很多時候錯誤選項只有一兩個字的差異，需要仔細辨別。
- ▶ 建議用「費曼學習法」，嘗試向別人解釋這道題的解題思路，能講清楚就代表真正理解了。
同主題考題練習
以下題目與本題屬於相同的考試範疇，建議一併練習以加強對該主題的掌握程度。
某金融機構導入檢索增強生成（Retrieval-Augmented Generation, RAG）模型，用於客服文件查詢與自動回覆。由於大型模型運算成本過高，若考慮引入知識蒸餾（Knowledge Distillation, KD）技術，下列何者為帶來的主要效益？
初級 生成式AI應用與規劃 難度 ★★☆ 114 年
某市政府環保局想建立一個垃圾分類查詢系統，讓民眾輸入物品名稱後自動判斷分類。由於垃圾種類繁多，但每種分類的訓練範例有限，工程師決定採用少樣本學習（Few-shot Learning）技術。下列何者為少樣本學習（Few-shot Learning）的主要特徵？
初級 生成式AI應用與規劃 難度 ★★☆ 115 年
在導入生成式 AI 的應用規劃中，上下文工程（Context Engineering）的核心目的為何？
初級 生成式AI應用與規劃 難度 ★★☆ 114 年
iPAS AI 應用規劃師認證簡介
iPAS AI 應用規劃師能力鑑定是經濟部產業發展署推動的國家級 AI 證照制度， 分為「初級」與「中級」兩個等級。初級考試包含「人工智慧基礎概論」和「生成式 AI 應用與規劃」兩個科目， 著重基本概念的理解與應用。中級考試涵蓋「AI 技術應用與規劃」「大數據處理分析與應用」「機器學習技術與應用」三個科目， 要求考生具備更深入的技術知識與實務能力。 本題來自初級考試範圍，適合正在準備初級認證的考生練習。
開始準備 iPAS 考試
本題來自 114 年 AI 應用規劃師初級考試。 想通過 iPAS 認證？從完整題庫練習開始，搭配術語詞典與備考攻略，系統化提升你的 AI 知識。