iPAS 考題解析
在評估大型語言模型,例如 7B、13B、175B 參數規模時,模型規模對基準測試(Benchmark)結果的影響,下列哪一種說法最為恰當?
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
- No code / Low code 概念
- 能力指標
- No Code / Low Code 的基本概念(L12101)
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「No code / Low code 概念」範疇, 對應的能力指標為「No Code / Low Code 的基本概念」,涵蓋工具本身的基本認知與基礎概念等核心知識點。 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
在評估大型語言模型,例如 7B、13B、175B 參數規模時,模型規模對基準測試(Benchmark)結果的影響,下列哪一種說法最為恰當?
- A. 小模型在正確調整下能超越大模型,因此模型大小並不重要
- B. 大模型在多數情境下表現較好,但在特定任務上略遜於小模型
- C. 模型規模與基準測試結果完全無關,影響主要來自測試設計
- D. 模型越大,Benchmark 結果可能提升,但幅度取決於訓練數據品質與資源配置 ✓ 正確答案
詳細解析
正確答案:D. 模型越大,Benchmark 結果可能提升,但幅度取決於訓練數據品質與資源配置
模型規模增大通常能提升 Benchmark 表現,但提升幅度並非無限,而是受到訓練數據品質、資源配置與任務特性等因素的影響。這是 Scaling Law 研究中的共識:規模有幫助,但不是唯一決定因素。
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. 小模型在正確調整下能超越大模型,因此模型大小並不重要 (不正確)
小模型在特定情境下可能表現好,但說「模型大小不重要」過於絕對。
B. 大模型在多數情境下表現較好,但在特定任務上略遜於小模型 (不正確)
大模型不一定在特定任務上略遜於小模型,這個說法過於籠統。
C. 模型規模與基準測試結果完全無關,影響主要來自測試設計 (不正確)
模型規模與測試結果有明確的相關性,不可能完全無關。
D. 模型越大,Benchmark 結果可能提升,但幅度取決於訓練數據品質與資源配置 (正確)
正確:模型越大 Benchmark 可能提升,但實際幅度取決於訓練數據品質與資源配置。
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。
下列哪一個資料集專門設計用於測試大型語言模型在多領域、多任務語言理解中,涵蓋人文、科學與社會科學等領域,而非專門用於數學推理或中文專業知識?
某企業希望利用含敏感資訊的資料進行 AI 模型訓練,但政策要求原始資料不得外洩,且資料可集中於安全環境中處理。同時,企業希望在資料使用過程中,即使資料處於加密狀態,仍能完成模型計算。在此需求下,下列哪一種技術最為適合?
某製造業團隊建立瑕疵偵測模型時,使用單張約20MB的高解析度工業影像作為訓練資料,並將所有影像儲存於NAS(Network Attached Storage)中。訓練時透過PyTorch搭配CNN模型於GPU上進行,工程師觀察到GPU使用率僅約20%至30%,整體訓練時間耗費數日。根據上述情境,造成GPU利用率偏低的最可能原因為何?
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。