# 模擬考題設定說明

* 題型為單選題，每題附有正確答案與簡要解析。
* 題目涵蓋範圍包括：基礎理論、架構設計／部署技術、提示工程、NVIDIA 生態工具、模型評估與資料處理等。
* 題目設計參考 HackMD 文件和先前整理的重點名詞。

---

## 模擬考題（共 50 題）

### 1–10：基礎與架構

1. Transformer 模型中使用的 Layer Normalization 的主要功能是？
A. 提高訓練速度
B. 穩定訓練過程、避免梯度消失／爆炸
C. 降低參數量
D. 增加模型層數
**正確答案：** B

2. 下列何者最能避免 CNN 模型過擬合？
A. 增加參數量
B. 使用 Flatten Layer
C. 採用 Dropout
D. 減少 Batch Size
**正確答案：** C

3. 「Frozen Layers」在遷移學習中常用於？
A. 加快訓練速度
B. 避免破壞預訓練權重
C. 提高模型大小
D. 測試模型
**正確答案：** B

4. Self-Attention 的作用是？
A. 捕捉序列元素間的依賴性
B. 縮短訓練時間
C. 減少序列長度
D. 防止梯度爆炸
**正確答案：** A

5. Seq2Seq 結構常用於？
A. 情感分析
B. 文本摘要或翻譯
C. 實體辨識
D. 分類任務
**正確答案：** B

6. 多頭注意力（Multi-Head Attention）能帶來？
A. 多模態融合
B. 提升表達能力並並行注意力
C. 壓縮模型大小
D. 延長輸入序列
**正確答案：** B

7. Transformer 中加入位置編碼 (Positional Encoding) 是為了？
A. 提示模型學習時間特性
B. 保留序列順序資訊
C. 降低記憶體使用
D. 強化分類
**正確答案：** B

8. 使用 BERT 做 Masked LM 的目的是？
A. 預測下一個字詞
B. 還原被遮蔽詞
C. 分類文本
D. 生成摘要
**正確答案：** B

9. GAN 是 Generative Adversarial Network 的簡稱，其架構包含：
A. Encoder 和 Decoder
B. Generator 和 Discriminator
C. Classifier 和 Regressor
D. Encoder 和 Attention
**正確答案：** B

10. Gradient Descent 的作用是？
A. 優化模型架構
B. 更新模型權重，最小化損失函數
C. 平行化訓練
D. 增加模型容量
**正確答案：** B

---

### 11–20：自然語言與提示工程

11. Few-Shot Learning 表示？
A. 完全不需要示例
B. 使用少量示例進行學習
C. 使用大量示例做微調
D. 不需要預訓練
**正確答案：** B

12. Prompt Engineering 的用途是？
A. 優化 GPU 計算
B. 設計提示以引導模型產出
C. 壓縮模型
D. 增加訓練數據
**正確答案：** B

13. RAG 的全名為 Retrieval-Augmented Generation，其功能是？
A. 利用生成資料做檢索
B. 結合對外檢索與生成能力
C. 僅生成文本
D. 僅尋找資料庫文章
**正確答案：** B

14. Chain-of-Thought 提示設計能有效讓模型？
A. 生成段落摘要
B. 逐步推理而非直接給答案
C. 學習語言結構
D. 提升訓練速度
**正確答案：** B

15. System Prompt 通常用於？
A. 控制模型推理流程
B. 控制整體角色與行為
C. 設定學習率
D. 控制 GPU 使用率
**正確答案：** B

16. Top-p (Nucleus Sampling) 的作用為？
A. 限制隨機性
B. 只從累積機率前 p% 選-token
C. 增加生成長度
D. 生成更多文本
**正確答案：** B

17. Temperature 在生成任務中調整模型輸出時用於？
A. 減少模型大小
B. 控制隨機性
C. 優化推論速度
D. 增加訓練次數
**正確答案：** B

18. Zero-Shot Learning 是指模型？
A. 不需示例即可執行新任務
B. 使用少量示例學習
C. 訓練時無資料
D. 無法預測
**正確答案：** A

19. Hallucination 是 LLM 生成中的？
A. 真實可信輸出
B. 與事實不符的內容
C. 高精度生成
D. 沒有結論的輸出
**正確答案：** B

20. Alignment 在 LLM 上一般指？
A. 模型內部層對齊
B. 符合人類期待行為
C. 模型輸出格式
D. 計算資源分配
**正確答案：** B

---

### 21–30：NVIDIA 工具與部署

21. cuDF 類似於？
A. NumPy
B. Pandas（GPU 加速版）
C. Matplotlib
D. PyTorch
**正確答案：** B

22. cuML 是用於？
A. 數據可視化
B. GPU 加速的機器學習函式庫
C. 模型儲存
D. 語音處理
**正確答案：** B

23. Dask-cuDF 支援？
A. CPU 分散式計算
B. 多 GPU 分散式資料處理
C. 單機 CPU 優化
D. 模型調優
**正確答案：** B

24. TensorRT-LLM 的主要功能是？
A. 優化 inferenece，降低延遲
B. 訓練 LLM
C. 儲存模型
D. 評估模型
**正確答案：** A

25. Triton Inference Server 用於？
A. 訓練
B. 模型服務部署與併發推論
C. 資料增強
D. 模型壓縮
**正確答案：** B

26. NeMo 是 NVIDIA 提供的？
A. 視覺框架
B. 語音／NLP 框架
C. 資料庫
D. 部署工具
**正確答案：** B

27. NIM (Inference Microservices) 的用途？
A. 支援模型本地 API 呼叫與託管
B. 訓練模型
C. 調參工具
D. 可視化工具
**正確答案：** A

28. LangChain 是？
A. 模型壓縮工具
B. LLM 編排與代理框架
C. GPU 管理工具
D. 語料庫
**正確答案：** B

29. LCEL 是其中語法語言，用於？
A. 定義模型啟動流程
B. 串接 Prompt Chains
C. 儲存模型
D. 語料清理
**正確答案：** B

30. Pydantic 常用於？
A. 評估模型準確度
B. 定義與驗證結構化輸出（如 JSON Schema）
C. 訓練圖
D. 模型部署
**正確答案：** B

---

### 31–40：資料處理與評估

31. cuXfilter 用於？
A. 資料清理
B. GPU 加速的互動式視覺化
C. 模型訓練
D. 模型推論
**正確答案：** B

32. BLEU score 常用於評估？
A. 文本分類準確度
B. 機器翻譯正確性
C. 圖像生成品質
D. 分群結果
**正確答案：** B

33. ROUGE 指標主要評估？
A. 情感分析結果
B. 摘要生成的召回率
C. 寫作風格
D. 準確率
**正確答案：** B

34. t-SNE 用於？
A. 類別預測
B. 高維資料降維視覺化
C. 模型訓練
D. 評估指標
**正確答案：** B

35. Cross Validation 好處在於？
A. 提高模型速度
B. 提高評估穩健性
C. 減少訓練資料
D. 增加批次大小
**正確答案：** B

36. Quantization 是什麼？
A. 增加模型容量
B. 降低模型精度以提升效能
C. 增加參數量
D. 增加精度
**正確答案：** B

37. A/B Testing 的設計用於？
A. 測試兩模型推論效果比較
B. 壓縮模型
C. 增加數據量
D. 降低延遲
**正確答案：** A

38. Precision 用於？
A. 分群效果評估
B. 真陽性比率
C. 文本摘要評估
D. 視覺化
**正確答案：** B

39. Recall 代表？
A. 所有預測中正確比例
B. 真實正例被模型找出比例
C. 平均值
D. 最大值
**正確答案：** B

40. F1 Score 是？
A. Precision × Recall
B. Precision 與 Recall 的調和平均
C. 最大值
D. 損失函式
**正確答案：** B

---

### 41–50：綜合應用與部署實務

41. 使用 Mixed-Precision Training 好處是？
A. 提升記憶體用量
B. 加速訓練且降低資源消耗
C. 增加訓練時間
D. 提升模型準確性
**正確答案：** B

42. NVLink 在多 GPU 訓練時有何效益？
A. 減少延遲
B. 提供高速 GPU 間連接
C. 增加模型大小
D. 優化記憶體分配
**正確答案：** B

43. Tensor Cores 的功能是？
A. 處理圖像渲染
B. 加速矩陣運算
C. 處理文本分類
D. 管理資料讀寫
**正確答案：** B

44. GPT 類模型屬於哪種語言模型？
A. Encoder-Decoder
B. Decoder-only 自迴歸模型
C. Bidirectional MLM
D. Hybrid 模型
**正確答案：** B

45. T5 模型使用哪種架構？
A. Decoder-only
B. Seq2Seq Encoder-Decoder
C. MLP
D. RNN
**正確答案：** B

46. 多模態模型可處理哪些資料類型？
A. 文本 only
B. 圖像, 文字, 音訊等多種形式
C. 結構化資料 only
D. 時間序列 only
**正確答案：** B

47. 模型部署成微服務（Microservice）好處是？
A. 隨需擴展、易管理
B. 提升訓練速度
C. 降低記憶體消耗
D. 增加準確性
**正確答案：** A

48. Hugging Face pipeline 三階段中不包含？
A. preprocess
B. forward
C. postprocess
D. optimize
**正確答案：** D

49. 使用 Batch Inference 的優勢是？
A. 即時輸出
B. 批次處理提升吞吐
C. 獨立部署
D. 減少記憶體使用
**正確答案：** B

50. Hallucination 在 LLM 應用中應避免，因為？
A. 會延遲生成
B. 生成的內容可能不正確或不負責任
C. 增加成本
D. 無需校正
**正確答案：** B
好的，以下再幫您設計**另一組 50 題模擬考題**，延續前面範圍，但避開重複題目，更多著重在實務應用、NVIDIA 生態細節、案例導向題。每題為單選題，附正確答案。

---

## **模擬考題第 51–100 題**

### **51–60：深度學習與最佳化**

51. 在 PyTorch 中，將模型與資料移到 GPU 的常用指令是？
A. `model.to('cpu')`
B. `model.cuda()`
C. `model.to('cuda')`
D. `torch.gpu()`
**正確答案：** C

52. Adam 與 SGD 最大差異？
A. Adam 有自適應學習率與動量項
B. SGD 訓練速度較快
C. Adam 僅用於分類任務
D. SGD 不支援 GPU
**正確答案：** A

53. BatchNorm 的一個額外好處是？
A. 提升可視化效果
B. 允許更高學習率
C. 減少記憶體
D. 改變模型結構
**正確答案：** B

54. Dropout 設定為 0.5 表示？
A. 所有神經元刪除
B. 每層保留一半神經元
C. 每層刪除一半神經元
D. 只保留輸入層
**正確答案：** C

55. 訓練模型時，學習率過高會導致？
A. 收斂過快且準確率高
B. Loss 無法穩定收斂
C. 訓練時間過長
D. 模型過擬合
**正確答案：** B

56. 混合精度訓練 (Mixed Precision Training) 的目的？
A. 減少 GPU 記憶體、加快訓練
B. 增加參數
C. 降低精度
D. 用於 CPU
**正確答案：** A

57. 常見的正則化技術不包括？
A. L1/L2 正則
B. Dropout
C. Data Augmentation
D. 資料壓縮
**正確答案：** D

58. Early Stopping 的目標是？
A. 增加訓練時間
B. 防止過擬合
C. 減少批次
D. 改變學習率
**正確答案：** B

59. 梯度消失問題常發生於？
A. CNN
B. RNN 長序列
C. 決策樹
D. Random Forest
**正確答案：** B

60. 權重初始化不好會導致？
A. 訓練加速
B. 模型無法收斂或效果差
C. 更高準確度
D. 更低記憶體
**正確答案：** B

---

### **61–70：NLP 與提示工程**

61. WordPiece 的核心概念是？
A. 將整句拆成單字
B. 預先定義所有詞彙
C. 子詞單位，根據頻率合併
D. 僅適用英文
**正確答案：** C

62. 在 BERT 的 QA 任務中，輸出為？
A. 單一分類標籤
B. start 與 end 位置 logits
C. 整段文字
D. 多選答案
**正確答案：** B

63. Generative QA 和 Extractive QA 差別？
A. 前者生成新句子，後者擷取文本片段
B. 前者速度快
C. 後者需大量資料
D. 兩者完全相同
**正確答案：** A

64. Encoder-Decoder 模型如 T5 的 Cross-Attention 作用是？
A. 將 Encoder 與 Decoder 隔離
B. 讓 Decoder 聚焦於 Encoder 的資訊
C. 減少模型容量
D. 提升記憶體
**正確答案：** B

65. ChatGPT、Claude 屬於？
A. Encoder-only
B. Decoder-only 自迴歸
C. Seq2Seq
D. RNN
**正確答案：** B

66. 提示中加入 Chain-of-Thought 的好處是？
A. 縮短輸出
B. 提供推理步驟、提升正確性
C. 減少記憶體
D. 提高速度
**正確答案：** B

67. System Message 在 LangChain 中通常用於？
A. 設定模型溫度
B. 定義角色、行為及回覆風格
C. 清空記憶體
D. 加速訓練
**正確答案：** B

68. 溫度值設太高會？
A. 生成隨機性過高，內容發散
B. 更精確
C. 完全重複訓練資料
D. 無影響
**正確答案：** A

69. RAG 模型需要兩個關鍵組件？
A. 檢索器與生成器
B. 生成器與編碼器
C. 編碼器與解碼器
D. GPU 與 CPU
**正確答案：** A

70. LangGraph 在提示工程中的優勢是？
A. 提供圖形化多步代理流程
B. 縮短訓練時間
C. 用於數據庫管理
D. 替代所有 LLM
**正確答案：** A

---

### **71–80：NVIDIA 工具與部署**

71. RAPIDS 的主要目標是？
A. 視覺化
B. 端到端 GPU 加速資料科學
C. 語音辨識
D. 強化學習
**正確答案：** B

72. cuGraph 的功能是？
A. 語音合成
B. 圖計算與最短路徑等分析
C. 文本分類
D. 視覺化圖像
**正確答案：** B

73. Dask 在 RAPIDS 中的角色？
A. 單 GPU 資料加速
B. 多 GPU 與分散式計算
C. 僅適用 CPU
D. 視覺化工具
**正確答案：** B

74. cuXfilter 能做什麼？
A. 資料清理
B. GPU 加速的互動視覺化儀表板
C. 模型訓練
D. NLP 預處理
**正確答案：** B

75. TensorRT-LLM 特別針對什麼優化？
A. 影像識別
B. 大語言模型推論效能
C. 音訊轉換
D. 強化學習
**正確答案：** B

76. Triton 可同時部署？
A. 單模型
B. 多模型並行推論
C. 僅限 CPU 模型
D. 僅限語音模型
**正確答案：** B

77. NeMo 常用於？
A. 聲音、NLP、對話式 AI
B. 影像標註
C. 生物資料
D. 硬體測試
**正確答案：** A

78. Hugging Face Transformers 的 pipeline 包含幾個階段？
A. 2
B. 3：Preprocess、Forward、Postprocess
C. 4
D. 5
**正確答案：** B

79. Pydantic 在 Prompt Engineering 用於？
A. 檢查輸出格式、確保結構化資料正確
B. 訓練模型
C. 建立資料庫
D. 清理資料
**正確答案：** A

80. NVIDIA NIM 的特色？
A. 僅供訓練使用
B. 允許本地或雲端託管模型，透過 API 服務
C. 僅供 CPU
D. 不支援 LLM
**正確答案：** B

---

### **81–90：資料、評估與部署**

81. Parquet 格式的好處是？
A. 行式資料存取快
B. 列式資料存取快、壓縮佳
C. 僅限影像資料
D. 無效
**正確答案：** B

82. t-SNE 用於？
A. 特徵工程
B. 高維度降維可視化
C. 模型訓練
D. 部署
**正確答案：** B

83. XGBoost 在 GPU 上加速需指定？
A. `gpu_hist`
B. `cuda_hist`
C. `gpu_enable`
D. `tree_gpu`
**正確答案：** A

84. K-means 的核心目標？
A. 分群中心最小化平方距離
B. 分類
C. 預測
D. 回歸
**正確答案：** A

85. DBSCAN 與 K-means 不同之處？
A. 不需指定群數
B. 更快
C. 僅限監督式學習
D. 需 GPU
**正確答案：** A

86. Recall 指標提高時，Precision 通常會？
A. 上升
B. 下降或持平
C. 無變化
D. 減少資料
**正確答案：** B

87. ROC Curve 與 AUC 用於？
A. 分群
B. 分類性能評估
C. 文本摘要
D. 部署
**正確答案：** B

88. Hyperparameter Tuning 方法不包括？
A. Grid Search
B. Random Search
C. Bayesian Optimization
D. TensorRT
**正確答案：** D

89. Confusion Matrix 可提供？
A. 精確率、召回率等統計
B. 僅顯示 Loss
C. 僅用於 NLP
D. 僅用於回歸
**正確答案：** A

90. Quantization 的潛在缺點？
A. 提升精度
B. 可能降低模型準確度
C. 提升速度
D. 減少功耗
**正確答案：** B

---

### **91–100：綜合實務與應用**

91. JupyterLab 的優點不包括？
A. 支援互動式開發
B. 整合 Markdown 與程式碼
C. 僅能線上使用
D. 可管理多核心
**正確答案：** C

92. 在 cuDF 中篩選欄位的語法類似？
A. SQL
B. Pandas
C. C++
D. MATLAB
**正確答案：** B

93. Dask 延遲計算 (Lazy Evaluation) 的意義？
A. 立即執行所有指令
B. 僅在呼叫 compute() 時才執行
C. 加速 GPU
D. 減少記憶體
**正確答案：** B

94. LangChain 中的 Runnable 對象可？
A. 以 invoke/batch/stream 等模式執行
B. 僅能批次
C. 僅能串流
D. 僅能單步執行
**正確答案：** A

95. LCEL 表示？
A. LangChain Expression Language
B. Local Chain Execution Layer
C. Large Context Embedding Layer
D. 以上皆非
**正確答案：** A

96. Hugging Face Trainer 主要用於？
A. 簡化模型訓練與評估流程
B. 部署服務
C. 文字視覺化
D. 資料清理
**正確答案：** A

97. Triton 支援的模型格式不包括？
A. ONNX
B. TensorFlow SavedModel
C. TorchScript
D. JPEG
**正確答案：** D

98. NVIDIA DGX 伺服器主要用途？
A. 個人電腦使用
B. 高效能 AI 訓練與推論
C. 只做資料庫
D. 影像渲染
**正確答案：** B

99. 在 LCEL 管線中可使用的組件包括？
A. RunnableLambda、OutputParser、ParallelChain
B. API Key
C. CUDA Driver
D. CSV Parser Only
**正確答案：** A

100. LLM Agent 常用於？
A. 多步驟任務規劃與工具整合
B. 只生成文本
C. 資料庫建立
D. 單層分類
**正確答案：** A

---

### **101–110：深度學習核心**

101. 使用 DataLoader 的主要目的為何？
A. 可視化資料
B. 將資料分批供訓練使用，避免記憶體不足
C. 減少訓練資料
D. 訓練更快的模型
**答案：** B

102. 使用 GPU 訓練模型相較 CPU 的最大優勢？
A. 記憶體較少
B. 平行運算大幅加速
C. 可讀性好
D. 更易於除錯
**答案：** B

103. PyTorch 中 `torch.nn.Sequential` 用來？
A. 建立連續的層組合
B. 儲存模型檔
C. 做資料前處理
D. 寫訓練日誌
**答案：** A

104. 優化器 (Optimizer) 的角色是？
A. 決定網路架構
B. 更新權重以最小化損失
C. 監控 GPU 使用率
D. 轉換資料格式
**答案：** B

105. 活化函數 ReLU 的優點？
A. 線性輸出，訓練速度快
B. 非線性，避免梯度消失
C. 可做降維
D. 提升精度但計算慢
**答案：** B

106. Gradient Clipping 的功能是？
A. 提升學習率
B. 限制梯度範圍，防止梯度爆炸
C. 減少資料量
D. 減少記憶體使用
**答案：** B

107. Softmax 函數常用於？
A. 二元分類
B. 多分類輸出概率
C. 降維
D. 聚類
**答案：** B

108. Loss 曲線若呈現震盪狀態，通常原因為？
A. 學習率過高
B. 學習率過低
C. 資料不足
D. 訓練步數過少
**答案：** A

109. L2 正則化的目的是？
A. 降低參數值，避免過擬合
B. 增加模型容量
C. 減少訓練時間
D. 改變學習率
**答案：** A

110. 模型過擬合時可嘗試？
A. 增加資料、正則化、Dropout
B. 提高學習率
C. 減少驗證集
D. 使用更深的模型
**答案：** A

---

### **111–120：Transformer 與 LLM**

111. Transformer 模型的最大特徵？
A. 無需序列順序
B. 平行運算，自注意力捕捉長距離依賴
C. 只用 CNN
D. 只能處理短文本
**答案：** B

112. BERT 與 GPT 的主要不同？
A. BERT 是編碼器、GPT 是解碼器
B. BERT 用於生成
C. GPT 用於分類
D. 相同
**答案：** A

113. Positional Encoding 的公式作用？
A. 為序列加權，保留位置資訊
B. 增強速度
C. 壓縮模型
D. 生成新詞
**答案：** A

114. Hugging Face 的 pipeline 可快速？
A. 部署 Web
B. 進行推論，如分類、QA
C. 壓縮資料
D. 降維
**答案：** B

115. Tokenization 的意義？
A. 建立詞典
B. 將句子切割為可處理的單元
C. 提高準確度
D. 減少資料
**答案：** B

116. BERT 常用於哪類任務？
A. 文本理解：分類、NER、QA
B. 圖像生成
C. 語音辨識
D. 強化學習
**答案：** A

117. Encoder-Decoder 架構的優勢？
A. 同時考慮輸入與輸出序列
B. 速度快於所有模型
C. 只能做分類
D. 不支援翻譯
**答案：** A

118. CLM（Causal Language Model）特徵？
A. 雙向
B. 單向自回歸，預測下一個 token
C. 只做分類
D. 不可微調
**答案：** B

119. 為什麼需要 \[CLS] token？
A. 用於段落分割
B. 作為分類向量
C. 調整溫度
D. 用於壓縮
**答案：** B

120. 在 QA 任務中，BERT 如何回答？
A. 自由生成句子
B. 從上下文中抽取起止位置
C. 用數字回答
D. 不支援
**答案：** B

---

### **121–130：NVIDIA 工具與框架**

121. cuDF 主要是？
A. GPU 加速的 Pandas
B. CPU 版本的 TensorFlow
C. 資料庫系統
D. 編輯器
**答案：** A

122. cuML 用來做？
A. GPU 加速 ML 演算法
B. 可視化
C. 語音辨識
D. 儲存模型
**答案：** A

123. cuGraph 特別適合？
A. 社交網路分析、最短路徑
B. 影像分類
C. 語音合成
D. 文本摘要
**答案：** A

124. RAPIDS 的目標？
A. 在 GPU 上端到端處理資料科學流程
B. 建立 Web 前端
C. 僅做視覺化
D. 文本清理
**答案：** A

125. Triton Server 功能？
A. 提供模型推論服務，可多模型並行
B. 訓練模型
C. 建立資料倉儲
D. 語音合成
**答案：** A

126. TensorRT-LLM 的主要優勢？
A. 推論效能提升
B. 訓練速度變慢
C. 資料分析
D. 前端框架
**答案：** A

127. NeMo 框架可應用於？
A. 語音、NLP、對話
B. 圖像渲染
C. 硬體測試
D. 遊戲設計
**答案：** A

128. LangChain 最主要功能？
A. 編排 LLM、建立多步鏈與代理
B. 資料視覺化
C. 資料庫管理
D. 安全測試
**答案：** A

129. LangGraph 特性？
A. 圖形化代理、多任務
B. 壓縮資料
C. 減少模型
D. 網頁前端
**答案：** A

130. NIM 代表？
A. NVIDIA Inference Microservices，微服務部署模型
B. 新演算法名稱
C. 資料可視化工具
D. 資料清理工具
**答案：** A

---

### **131–140：提示與生成**

131. Prompt Injection 風險是？
A. 惡意提示影響模型輸出
B. 增加速度
C. 資料壓縮
D. 改變權重
**答案：** A

132. Few-shot 提示時，示例作用？
A. 幫助模型理解任務格式
B. 加速訓練
C. 減少記憶體
D. 生成更長文本
**答案：** A

133. Zero-shot 與 Few-shot 差異？
A. Zero-shot 無示例，Few-shot 有少量示例
B. Zero-shot 更準確
C. Few-shot 不能學習
D. 完全相同
**答案：** A

134. LCEL 用於？
A. 定義鏈與代理的組合表達式
B. 改變學習率
C. 編輯資料
D. GPU 配置
**答案：** A

135. System Message 在代理中功能？
A. 控制整體角色與行為
B. 加速推論
C. 降低延遲
D. 壓縮檔案
**答案：** A

136. Pydantic 在 Prompt Pipeline 中？
A. 確保輸出符合預期結構
B. 調整學習率
C. 減少參數
D. 刪除資料
**答案：** A

137. Temperature=0 的影響？
A. 完全確定性輸出，無隨機性
B. 隨機性最大
C. 加速訓練
D. 無影響
**答案：** A

138. Top-k=5 代表？
A. 每次只在前 5 個最可能的 token 中選擇
B. 生成 5 段文本
C. 取 5 筆資料
D. 提高記憶體
**答案：** A

139. Chain-of-Thought 最適合？
A. 複雜推理、多步驟解題
B. 快速分類
C. 圖像生成
D. 部署
**答案：** A

140. RAG 提升 LLM 能力的原因？
A. 透過檢索加入外部知識，減少幻覺
B. 讓模型更快
C. 減少溫度
D. 降低成本
**答案：** A

---

### **141–150：評估與實務**

141. Precision 高、Recall 低的情況適合？
A. 醫療診斷高敏感度
B. 嚴格挑選正例，不漏錯誤答案
C. 需找出所有正例
D. 降低成本
**答案：** B

142. Recall 高代表？
A. 正例被抓得多
B. 正例被漏得多
C. 預測差
D. 不穩定
**答案：** A

143. AUC 越接近 1 表示？
A. 模型區分能力好
B. 模型差
C. 與 ROC 無關
D. 不穩定
**答案：** A

144. Hyperparameter Tuning 的目的？
A. 尋找最佳模型設定
B. 儲存模型
C. 減少資料量
D. 減少 GPU
**答案：** A

145. Confusion Matrix 提供什麼資訊？
A. 真陽性、假陽性、真陰性、假陰性
B. 模型大小
C. 記憶體使用
D. 網路延遲
**答案：** A

146. KNN 的工作原理？
A. 根據鄰近資料點投票分類或回歸
B. 建立深度網路
C. 文本生成
D. 壓縮資料
**答案：** A

147. DBSCAN 的核心參數？
A. ε (鄰域半徑) 和 MinPts
B. 學習率
C. 迭代次數
D. 層數
**答案：** A

148. XGBoost 的主要特點？
A. 梯度提升樹模型，可平行化
B. 影像生成
C. 語音辨識
D. 隨機投票
**答案：** A

149. RAPIDS 與 Pandas 相比的優勢？
A. GPU 加速，大幅減少處理時間
B. 支援更多語言
C. 免費
D. 功能少
**答案：** A

150. 為何要將模型部署為微服務？
A. 易於維護、可擴展、快速更新
B. 降低準確度
C. 減少資料
D. 單一用途
**答案：** A

### **151–160：NVIDIA 硬體與平台**

151. NVIDIA DGX 系統的主要用途？
A. 辦公軟體
B. 高效能 AI 訓練與推論
C. 資料庫管理
D. 遊戲渲染
**答案：** B

152. NVIDIA H100 GPU 的特點？
A. 僅支援 2D 繪圖
B. 具備 Transformer Engine，加速 LLM 訓練
C. 僅適用影像處理
D. 僅支援 CPU
**答案：** B

153. NVIDIA Tensor Core 的用途是？
A. 高效矩陣計算，加速 AI 工作負載
B. 文本編碼
C. 資料視覺化
D. 瀏覽網頁
**答案：** A

154. NVIDIA NVLink 的作用？
A. 連接硬碟
B. 提供高速 GPU-to-GPU 互連
C. 調整顯示設定
D. 降低網路延遲
**答案：** B

155. Jetson Nano 的應用場景？
A. 僅作辦公
B. 邊緣 AI、機器人與嵌入式推論
C. 網頁前端
D. 資料備份
**答案：** B

156. NVIDIA Omniverse 的用途是？
A. 雲端遊戲串流
B. 協作 3D 模擬與虛擬世界平台
C. 單純的資料庫
D. 視訊剪輯
**答案：** B

157. CUDA 的主要功能？
A. 網路通訊協議
B. 平行運算平台與 API，加速運算
C. 檔案系統
D. 文書處理
**答案：** B

158. NVIDIA GPU Cloud (NGC) 的特色？
A. 僅提供照片儲存
B. 提供容器、模型與資源的雲端平台
C. 僅支援 Windows
D. 僅支援音樂播放
**答案：** B

159. NVIDIA BlueField 是什麼？
A. 晶圓製造設備
B. DPU (資料處理單元)，加速資料中心網路與安全
C. 電源管理晶片
D. 螢幕控制器
**答案：** B

160. NVIDIA Grace CPU 的定位？
A. 僅做遊戲
B. 針對高效能運算與 AI 的伺服器級 CPU
C. 僅用於手機
D. 音樂播放器
**答案：** B

---

### **161–170：開發框架與工具**

161. NVIDIA RAPIDS 的核心目標？
A. 文件管理
B. GPU 加速資料科學工作流
C. 視覺設計
D. 語音合成
**答案：** B

162. cuDF 是？
A. 資料庫管理工具
B. GPU 加速的 Pandas 類資料框架
C. 網頁框架
D. 雲端硬碟
**答案：** B

163. cuML 的功能？
A. 資料視覺化
B. GPU 加速的機器學習函式庫
C. 檔案壓縮
D. 語音編輯
**答案：** B

164. cuGraph 的用途？
A. GPU 加速的圖形計算，如最短路徑、社群分析
B. 文本生成
C. 音訊串流
D. 前端 UI
**答案：** A

165. NVIDIA Triton Inference Server 可做什麼？
A. 訓練模型
B. 部署與管理推論服務
C. 文書處理
D. 網頁撰寫
**答案：** B

166. TensorRT 的主要用途？
A. 前端設計
B. 優化模型推論，減少延遲
C. 播放音樂
D. 資料備份
**答案：** B

167. NVIDIA NeMo 專注於？
A. NLP 與語音 AI 框架
B. 硬體設計
C. 資料清理
D. 前端開發
**答案：** A

168. NVIDIA Morpheus 平台適合？
A. AI 資安威脅偵測與資料中心安全分析
B. 遊戲設計
C. 影像壓縮
D. 影片轉檔
**答案：** A

169. NVIDIA Maxine 的應用是？
A. 影音會議強化與 AI 視訊處理
B. 文書處理
C. 硬體驅動
D. 檔案加密
**答案：** A

170. NVIDIA Broadcast 可做什麼？
A. 即時音訊與視訊增強，如降噪與虛擬背景
B. GPU 韌體更新
C. 資料加密
D. 文件管理
**答案：** A

---

### **171–180：多模態與生成式 AI**

171. NVIDIA Picasso 平台聚焦於？
A. 平面設計
B. 生成式 AI 內容創作 (影像、影片)
C. 硬體維護
D. 網路架構
**答案：** B

172. NVIDIA AI Enterprise 是？
A. 免費雲端硬碟
B. 企業級 AI 平台與工具套件
C. 手機應用
D. 遊戲引擎
**答案：** B

173. NVIDIA DGX Cloud 提供？
A. 本地存檔
B. 雲端 GPU 訓練與推論服務
C. 照片管理
D. VR 遊戲
**答案：** B

174. NVIDIA TAO Toolkit 的功能？
A. 即時編譯器
B. 簡化模型訓練與微調流程
C. 資料視覺化
D. 資料壓縮
**答案：** B

175. NVIDIA BioNeMo 主要用於？
A. 生物醫學與藥物發現的生成式 AI 平台
B. 遊戲渲染
C. 社交網路
D. 聲音合成
**答案：** A

176. NVIDIA Clara 的應用是？
A. 醫療影像 AI、智慧醫療
B. 教育平台
C. 影片編輯
D. 數據壓縮
**答案：** A

177. NVIDIA Isaac 平台適用於？
A. 機器人開發與模擬
B. 音樂播放
C. 軟體測試
D. 數據備份
**答案：** A

178. NVIDIA DRIVE 的主要領域？
A. 自動駕駛與車載 AI
B. 網路安全
C. 資料庫
D. 影像壓縮
**答案：** A

179. NVIDIA Holoscan 的用途？
A. 即時串流 AI 管線，醫療與工業應用
B. 遊戲開發
C. 影片製作
D. 資料庫管理
**答案：** A

180. NVIDIA DeepStream SDK 的功能？
A. 視訊分析與 AI 視覺串流
B. 語音合成
C. 檔案備份
D. Web 前端
**答案：** A

---

### **181–190：開發與部署實務**

181. NGC 容器的好處？
A. 可攜式、快速部署、包含預設環境
B. 只能在 Windows 用
C. 僅限手機
D. 僅支援 CPU
**答案：** A

182. CUDA 核心的運作單位稱為？
A. Warp
B. Tensor
C. Layer
D. Node
**答案：** A

183. NVIDIA GPU 驅動程式的功能是？
A. 提供硬體與作業系統間的介面
B. 建立資料表
C. 編寫 API 文件
D. 資料清理
**答案：** A

184. Tensor Core 在矩陣運算上與 FP32 的差別？
A. Tensor Core 更高吞吐量與混合精度支持
B. 相同速度
C. 僅支持整數
D. 無差異
**答案：** A

185. NVIDIA Nsight 工具用於？
A. 分析、除錯與效能調優 GPU 應用
B. 音樂串流
C. 資料備份
D. 網路管理
**答案：** A

186. GPU Memory Pooling 主要好處？
A. 提升記憶體使用效率，減少碎片
B. 增加模型精度
C. 降低溫度
D. 只能用於 CPU
**答案：** A

187. CUDA Stream 的功能是？
A. 非同步執行任務，提高效率
B. 同步鎖定
C. 壓縮資料
D. 可視化
**答案：** A

188. NVIDIA MIG 技術的用途？
A. 將單 GPU 切割為多個獨立實例
B. 減速 GPU
C. 提升記憶體容量
D. 調整網路延遲
**答案：** A

189. Triton 支援哪些模型框架？
A. TensorFlow、PyTorch、ONNX 等
B. 只能 TensorFlow
C. 只能 PyTorch
D. 僅文字處理
**答案：** A

190. NVIDIA Modulus 的特點？
A. 物理資訊神經網路 (PINN)，用於模擬與科學計算
B. 遊戲引擎
C. 資料庫管理
D. 影像處理
**答案：** A

---

### **191–200：綜合應用**

191. NVIDIA Inception 計畫提供？
A. 新創支援、技術資源與曝光機會
B. 網頁託管
C. 財務貸款
D. 內容審核
**答案：** A

192. NVIDIA AI Workbench 的功能？
A. 簡化 AI 專案的設定、開發與部署
B. 網頁設計
C. 資料存儲
D. 音樂製作
**答案：** A

193. NVIDIA Fleet Command 是？
A. 部署與管理邊緣 AI 的 SaaS 平台
B. 車隊調度
C. 硬體製造
D. 訊息應用
**答案：** A

194. NVIDIA Base Command 用於？
A. 雲端 GPU 培訓與作業管理平台
B. API 設計
C. 文書管理
D. 網頁撰寫
**答案：** A

195. NVIDIA AI Foundations 的特色？
A. 提供定製化生成式 AI 模型與服務
B. 硬體測試
C. 音樂編輯
D. 瀏覽器
**答案：** A

196. NVIDIA JetPack 是？
A. Jetson 平台的軟體開發套件
B. 資料壓縮工具
C. 音訊播放器
D. 網路協議
**答案：** A

197. NVIDIA TensorRT-LLM 支援什麼功能？
A. 大語言模型推論最佳化、加速與記憶體優化
B. 語音播放
C. 編輯文本
D. 前端設計
**答案：** A

198. NVIDIA Deep Learning Institute (DLI) 的作用？
A. 提供 AI 與 HPC 線上課程與訓練
B. 硬體製造
C. 商業顧問
D. 音樂課程
**答案：** A

199. NVIDIA GPU Operator 用於？
A. 在 Kubernetes 環境中管理 GPU 資源
B. 資料庫備份
C. 音樂合成
D. 辦公軟體
**答案：** A

200. NVIDIA Clara Guardian 的用途？
A. 醫療物聯網 (IoT) 與醫院智慧應用平台
B. 文書處理
C. 影片剪輯
D. 測試硬體
**答案：** A