# 1. LLMOps 与传统 MLOps 的差异中 Prompt、数据集、模型与评测集的版本管理如何做到可复现？ A LLMOps 重 Prompt/评测，四类版本不可变故相互绑定保证可复现 ✓ 正确答案 B Prompt 无需版本管理 C 评测集版本不影响复现 D LLMOps 与 MLOps 完全相同
# 2. MLOps 平台的分层中数据管理、实验跟踪、训练编排、模型注册与部署监控如何衔接 A 数据→实验→训练→注册→部署监控由版本与元数据串联成闭环 ✓ 正确答案 B 各层相互独立 C 数据版本无需传递给训练 D 监控与实验无关
# 3. MLflow、Weights & Biases 在 ML 实验跟踪的工程价值 A MLflow 开源完整生命周期，W&B 强可视化与协作 ✓ 正确答案 B 两者功能相同 C MLflow 无可视化 D W&B 开源自托管
# 4. 模型注册与线上发布中从实验到生产的审批、金丝雀发布与回滚以及模型 registry 与 CI/CD 如何衔接？ A 模型直接部署无需审批 B 模型经 registry 审批打标，CI/CD 依据状态自动金丝雀发布与回滚 ✓ 正确答案 C registry 与 CI/CD 无关 D 金丝雀发布无法回滚
# 5. BentoML、Ray Serve 在 Model Serving 的工程价值 A 两者功能相同 B BentoML 重打包部署，Ray Serve 重弹性分布式扩展 ✓ 正确答案 C BentoML 不做服务 D Ray Serve 不提供弹性
# 6. ClearML、Neptune、Comet 在 ML 实验管理的工程价值 A 三者都做实验跟踪，ClearML 开源、Neptune/Comet 商业可视化 ✓ 正确答案 B 三者完全一样 C ClearML 是商业软件 D Neptune 是开源软件
# 7. DVC（Data Version Control）在数据版本管理的工程价值 A 用 Git 管理数据元数据、外部存储存数据，实现数据可版本化与可复现 ✓ 正确答案 B DVC 把数据存进 Git C DVC 无法回滚数据 D DVC 与数据版本无关
# 8. Feast、Tecton 在 Feature Store 的工程价值 A Feature Store 与特征复用无关 B Feature Store 统一特征存储与在线/离线一致性，Feast 开源、Tecton 商业完整 ✓ 正确答案 C 在线/离线特征无需一致 D Tecton 是开源软件
# 9. Kubeflow、Metaflow、Flyte 在 ML Workflow 的工程价值 A Kubeflow K8s 平台化、Metaflow Python 易用、Flyte 生产级编排 ✓ 正确答案 B Metaflow 是 K8s 平台 C Flyte 不提供编排 D 三者功能相同
# 10. ML 管道编排选型中 Kubeflow Pipelines 与 Airflow 在数据/训练/部署场景的差异 A 两者功能相同 B Kubeflow Pipelines 面向 ML/K8s，Airflow 面向通用 DAG 调度，可结合使用 ✓ 正确答案 C Airflow 更适合 GPU 训练 D 无法结合使用
# 11. MLOps vs AIOps vs LLMOps 的工程对比 A MLOps 管模型生命周期、AIOps 用 AI 做运维、LLMOps 管 LLM 应用 ✓ 正确答案 B 三者相同 C AIOps 是管模型生命周期 D LLMOps 用于 IT 运维
# 12. MLOps 与 DevOps 的差异中模型迭代、数据依赖与实验管理带来的工程挑战 A 两者完全相同 B 模型输出确定性高 C 数据无需版本管理 D MLOps 增加数据/模型依赖与实验管理，需版本化与评测门禁 ✓ 正确答案
# 13. MLOps 的 CI/CD 中数据变更触发训练、模型评测门禁与自动部署的流水线如何设计 A 数据变更无需触发训练 B 评测门禁可跳过 C 部署无需监控 D 数据变更触发训练→评测门禁→自动部署，各环节版本化 ✓ 正确答案
# 14. Pachyderm 在 ML Pipeline 的工程价值 A 无法保证可复现 B Pachyderm 只做监控 C 数据变更不触发管道 D 数据版本化+数据变更触发管道+可复现，保证数据血缘 ✓ 正确答案
# 15. Training-Serving Skew 中在线特征与离线特征不一致的检测方法（特征一致性校验、shadow 回放）？ A 训练推理特征天然一致 B shadow 回放无法检测 C 无需校验特征逻辑 D 用特征一致性校验与 shadow 回放对比训练/推理特征是否一致 ✓ 正确答案
# 16. 模型可复现性中 seed、框架版本、数据版本与镜像的联合锁定以及如何复现线上模型结果？ A 锁定 seed/框架/数据/镜像/代码，用统一清单重训对比结果 ✓ 正确答案 B GPU 计算完全确定 C 只需锁定 seed D 数据版本无需锁定
# 17. 模型漂移检测中数据漂移/概念漂移的监控指标（PSI、KS 等）与告警以及 Evidently 等工具如何接入？ A 用 PSI/KS 检测数据/概念漂移，Evidently 等工具自动化并告警 ✓ 正确答案 B PSI 只能检测概念漂移 C 漂移无法自动检测 D 漂移只影响性能不影响数据
# 18. 模型生命周期管理中版本化、注册审批、在线退役与数据保留策略如何设计 A 退役模型无需处理 B 版本化+审批+在线退役+数据保留，用状态机管理全生命周期 ✓ 正确答案 C 数据保留无合规要求 D 模型无需版本化
# 19. 模型监控体系中数据漂移、性能指标与线上反馈的关联告警如何建立 A 只需监控数据漂移 B 反馈与监控无关 C 性能指标需真实标签 D 数据漂移、性能指标与线上反馈三层面关联，形成因果链告警 ✓ 正确答案
