建議先看完對應教學影片再作答，效果加倍。 👉 YouTube 教學頻道
第 1 題
某新創公司計畫將開源 LLM 微調為法律合約審查助理，訓練資料為內部整理的 5,000 份合約範本。技術主管評估後發現公司僅有兩張消費級 GPU，全參數微調（Full Fine-tuning）所需的 VRAM 遠超硬體上限。AI 規劃師建議改用 LoRA 技術。下列何者最正確描述 LoRA 能降低計算資源需求的核心機制，以及採用此方案需接受的主要權衡？
(A) LoRA 透過將模型的注意力權重矩陣分解為兩個低秩矩陣的乘積，只訓練這兩個小矩陣的參數而凍結原始權重，大幅降低可訓練參數量；但在極複雜的法律語義推理任務上，效果可能略遜於全參數微調的理論上限
(B) LoRA 透過對訓練資料進行隨機抽樣只使用 10% 的合約範本，減少每個 Epoch 的梯度計算量；代價是模型無法完整學習合約語料的語義分布，導致對罕見合約條款的辨識率顯著下降
(C) LoRA 透過壓縮模型的 Embedding 層維度，將原始詞嵌入從 4096 維降至 512 維，使顯存需求降低 87%；但壓縮後的詞嵌入會損失法律專業術語的語義精度，造成同義詞混淆率上升
(D) LoRA 透過剪枝（Pruning）移除原始模型中重要性低於閾值的神經元，讓模型體積縮小至可在消費級 GPU 上訓練；代價是被剪除的神經元無法復原，導致模型的通用能力永久性下降
答案：A
深度導讀解析
正確答案：A
核心技術點：LoRA 的低秩分解機制與參數效率微調（PEFT）的核心權衡
中級理論拆解：LoRA 假設微調時模型權重的更新量 $\Delta W$ 具有低秩特性，可分解為兩個小矩陣的乘積 $\Delta W = AB$，訓練時只更新 $A$ 和 $B$、凍結原始權重。若原始矩陣維度 $d=4096$、秩 $r=8$，可訓練參數從 1677 萬降至約 6.5 萬，降幅超過 99%。代價是對極複雜的推理任務，低秩假設可能無法完整表達全參數微調的上限效果。
選項坑洞掃描：B 說 LoRA 是對訓練資料抽樣，這是減少資料量而非改變參數更新方式，兩件事完全不同。C 的壓縮 Embedding 維度是量化或蒸餾的概念，不是 LoRA。D 的剪枝是推論優化工具，機制和 LoRA 無關，且 LoRA 不永久改動原始模型。
破題反射字：低秩分解 → LoRA 核心機制 ／ 凍結原始權重 → 只訓練 A、B 矩陣 ／ PEFT → 參數效率微調
第 2 題
某電商平台為客服 LLM 設計提示詞策略，初期使用「幫我回覆客訴」作為指令，模型輸出格式混亂且語氣時而過於強硬。AI 規劃師重新設計提示詞，加入角色設定、輸出格式規範與三組示範對話（Few-shot）後，輸出品質顯著提升。下列何者最能正確描述 Few-shot Prompting 的運作邏輯，以及它與模型微調（Fine-tuning）在本質上的關鍵差異？
(A) Few-shot Prompting 透過在提示詞中提供示範範例，在推論階段引導模型學習任務模式而不更動任何模型權重；微調則透過反向傳播更新模型參數，效果更穩定但需要標註資料與運算資源
(B) Few-shot Prompting 與微調的效果完全相同，差異只在於 Few-shot 使用自然語言描述示範，微調使用程式碼定義訓練目標，對模型權重的影響程度一致
(C) Few-shot Prompting 是微調的前置步驟，必須先透過示範範例確認任務需求，再透過微調將提示語義固化至模型參數中，才能在生產環境穩定部署
(D) Few-shot Prompting 透過調整模型的 Temperature 與 Top-p 採樣參數，控制輸出的隨機性與多樣性，示範範例的作用是校準這些超參數的最佳數值範圍
答案：A
深度導讀解析
正確答案：A
核心技術點：Few-shot Prompting 的推論階段引導機制與微調的參數更新本質差異
中級理論拆解：Few-shot Prompting 在提示詞中放入 2～10 組示範對，讓模型透過 in-context learning 在推論時推斷任務模式，全程不更動任何參數。微調則以標註資料計算損失、透過反向傳播更新模型權重，效果更穩定且能適應更深層的領域語義，但需要資料標註與 GPU 成本。兩者是成本與效果的權衡，不是替代關係。
選項坑洞掃描：B 說兩者效果完全相同，但微調更新了參數，能更深層適應領域語義，影響程度差異顯著。C 說 Few-shot 是微調的前置步驟，兩者可完全獨立使用，沒有強制順序。D 把示範範例和採樣超參數混為一談，Temperature 和 Top-p 是生成隨機性的控制機制，跟 Few-shot 的示範引導完全是兩回事。
破題反射字：不更動模型權重 → Prompt Engineering ／ In-context learning → 從提示推斷任務 ／ 反向傳播更新參數 → 微調
第 3 題
某跨國飯店集團收到來自全球的多語系客評，需要自動將每則評論同時完成兩件事：分類到「設施」、「訂房」、「餐飲」三個部門，以及判斷情緒極性（正面／負面／中性）供管理層即時監測。AI 規劃師評估四種 NLP 技術組合方案。下列何者最能以最小的架構複雜度同時滿足分類與情緒判斷兩項需求？
(A) 機器翻譯（Machine Translation）搭配命名實體識別（NER），先將各語系評論統一翻譯為中文，再從中萃取客戶姓名與設施名稱等關鍵實體
(B) 文字分類（Text Classification）搭配情感分析（Sentiment Analysis），透過兩個平行推論管線分別完成部門分類與情緒極性判斷
(C) 文本摘要（Text Summarization）搭配問答系統（Question Answering），先壓縮評論為摘要，再以問答方式詢問模型「此評論屬於哪個部門」
(D) 語音辨識（Speech Recognition）搭配主題模型（Topic Modeling），將客評轉為文字後以無監督方式歸納潛在主題，再人工對應至三個部門
答案：B
深度導讀解析
正確答案：B
核心技術點：文字分類與情感分析的功能定義，以及 NLP 技術選型與任務需求的對應邏輯
中級理論拆解：「分類到三個部門」對應多類別文字分類，輸出是離散標籤；「判斷情緒極性」對應情感分析，輸出是正面/負面/中性。兩者都是成熟的監督式分類任務，有現成預訓練模型可直接部署，架構簡潔且推論快速。
選項坑洞掃描：A 的 NER 任務是識別人名、地名等實體，不是做部門分類或情緒判斷，對不上需求。C 的摘要 + 問答架構迂迴複雜，問答輸出不穩定，不適合自動化管線。D 的主題模型是無監督方法，輸出需人工解讀，無法即時自動分類到固定部門。
破題反射字：部門分類 → Text Classification ／ 情緒判斷 → Sentiment Analysis ／ 平行管線 → 各自對應一個子任務
第 4 題
某醫療 AI 公司開發的罕見疾病診斷輔助系統，在臨床測試中被發現對亞裔女性患者的診斷準確率比白人男性患者低 18 個百分點。醫療主管要求團隊提出完整的偏見緩解策略，而非只做單一修補。下列哪一組策略最能從資料、模型、解釋三個層次系統性地緩解此問題？
(A) 刪除訓練集中所有包含族裔與性別標籤的欄位，使模型在訓練時無法感知受保護屬性，透過資訊遮蔽從根源消除歧視性學習
(B) 重新平衡訓練資料集以補足少數族群樣本、在訓練目標中引入公平性約束演算法、並部署 SHAP 等 XAI 工具分析模型對不同族群的決策差異
(C) 對準確率較低的族群單獨收集更多資料並重新訓練獨立模型，為每個族群部署專屬診斷系統以確保各組準確率一致
(D) 提升模型整體複雜度，改用參數量更大的深度學習架構，讓模型有足夠容量自動學習到跨族群的通用診斷特徵而無需人工干預
答案：B
深度導讀解析
正確答案：B
核心技術點：AI 偏見的系統性緩解策略——資料層、模型層、解釋層三個維度的協同處理
中級理論拆解：AI 偏見通常來自三個來源：訓練資料樣本不均、模型只優化整體準確率而忽略公平性、決策邏輯不透明難以發現偏見。對應解法是資料層補足少數族群樣本、模型層在損失函數加入公平性懲罰項、解釋層用 SHAP 找出哪些特徵是偏見來源。三層缺一不可。
選項坑洞掃描：A 的「遮蔽受保護屬性」是常見誤解，模型可從其他相關特徵間接推斷族裔，公平性研究已普遍認為此方法不足。C 為每個族群部署獨立模型在倫理上有爭議且維護成本高。D 增加模型複雜度不解決偏見，更大的模型可能更完整地學習資料中既有的偏見。
破題反射字：資料不均 → 重新平衡樣本 ／ 公平性約束 → 訓練目標引入懲罰項 ／ SHAP → XAI 偏見分析
第 5 題
某人力資源科技公司開發 AI 履歷篩選系統，協助企業從大量應徵者中初步篩選候選人。法務部門指出，若此系統被認定為影響個人就業機會的決策工具，依歐盟 AI 法案（EU AI Act）的分類原則，該系統可能面臨嚴格合規要求。下列何者最正確描述歐盟 AI 法案對「高風險 AI 系統」的判定邏輯，以及對此系統的主要合規義務？
(A) 歐盟 AI 法案以模型參數量為主要判定標準，超過 100 億參數的模型自動被列為高風險系統，需強制公開訓練資料來源與模型架構細節
(B) 歐盟 AI 法案依據 AI 系統對基本權利的潛在影響程度分類，影響就業機會的篩選系統被列為高風險，需符合透明度、人工監督、準確性與偏見稽核等強制要求
(C) 歐盟 AI 法案僅規範完全自動化且無人工複核的 AI 決策系統，只要在篩選流程中保留一個「人工確認」按鈕，即可豁免高風險系統的所有合規義務
(D) 歐盟 AI 法案的高風險分類標準以系統的商業規模為依據，年營收低於 1000 萬歐元的中小型企業部署的 AI 系統一律豁免高風險認定
答案：B
深度導讀解析
正確答案：B
核心技術點：歐盟 AI 法案高風險系統的判定邏輯與主要合規義務
中級理論拆解：EU AI Act 依對基本權利的潛在影響程度分四級，就業篩選系統因直接影響個人就職機會，明確列於高風險應用領域。高風險系統上市前須完成合規評估，義務包括風險管理機制、高品質訓練資料、透明度要求、人工監督機制與準確性稽核，缺一不可。
選項坑洞掃描：A 把參數量當判定標準，那是 GPAI 通用模型的規範邏輯，高風險判定看的是應用場景對基本權利的影響。C 的「人工確認按鈕」是常見誤解，人工監督是合規要求本身，不是豁免條件。D 的企業規模豁免不存在，EU AI Act 對中小企業只有部分行政負擔減免，高風險認定標準不因營收改變。
破題反射字：影響就業機會 → 高風險系統 ／ EU AI Act → 基本權利影響程度判定 ／ 合規義務 → 透明度、人工監督、偏見稽核
還在用零散筆記備考？
這份《iPAS 中級白話備考筆記》把三科考綱重點全部用人話整理好，考點速記、實戰場景、常見陷阱一次收錄。適合非本科、時間有限、想快速抓住考試方向的自學者。
👉 立即取得備考筆記
