生成式 AI 技術與應用:9 題線上練習
「生成式 AI 技術與應用」是 iPAS AI 應用規劃師中級的能力指標(代號 L21103),涵蓋LLM、Diffusion Model、RLHF、生成架構比較。本頁收錄 9 題免費練習題,附逐題解析。
依能力指標分組,點一題看選項與解析。
L21103 生成式 AI 技術與應用
評鑑範圍:LLM、Diffusion Model、RLHF、生成架構比較
- 在使用生成對抗網路(GAN)進行人臉影像生成時,若出現「模式崩潰(Mode Collapse)」現象,下列哪一種方法最常被用來有效解決此問題?原卷題
- 某影像設計團隊在使用Stable Diffusion生成4K級產品圖時,發現影像邊緣與細節存在顆粒化與模糊現象。若僅能在生成階段進行調整,希望提升畫面清晰度與紋理層次,同時避免過度平滑,下列哪一項作法最適合?
- 下列哪一項最正確地描述了VAE(Variational Autoencoder)、GAN(Generative Adversarial Network)與擴散模型(Diffusion Model)在多模態潛在空間對齊(Latent Alignment)與生成策略上的根本差異?
- 企業在生成式 AI 導入中,可選擇下列哪一種模型壓縮(Model Compression)技術以減少記憶體使用?
- GAN 的 Mode Collapse 問題可用什麼方法解決?
- 生成式 AI 著作權侵權的最佳防範措施為何?
- Stable Diffusion 生成 4K 高清細節圖片的方法為何?
- VAE、GAN、Diffusion Model 在多模態潛在空間對齊上的差異為何?
本考點的相關 AI 術語
先掌握這些術語的定義與應用情境,再回來練題。