# 1. temperature、top_p、top_k 的作用机理与联合调参，不同任务（代码生成/创意写作/结构化抽取）的推荐配置？ A temperature 越高越确定 B 所有任务都该用最高 temperature C 三个参数互不影响，单独调即可 D temperature 控随机性、top_p 去长尾、top_k 硬截断，代码/结构化用低值、创意用高值，联合调参 ✓ 正确答案
# 2. max_tokens、stop 序列与截断处理，输出被截断的检测与续写策略？ A 用 finish_reason 区分截断（length）与正常结束（stop），length 截断用续写回填上下文处理并设轮次上限 ✓ 正确答案 B max_tokens 绝不截断，只会正常结束 C stop 序列会导致截断需续写 D 无法检测截断
# 3. repetition_penalty 与 frequency_penalty 的机制差异，前者对已出现 token 施加固定惩罚，后者按出现次数累加惩罚——各自适合什么场景？过度惩罚会导致什么退化？ A 两种惩罚机制相同 B repetition_penalty 固定惩罚适合抑制机械重复，frequency_penalty 累加惩罚适合控高频重复，过度惩罚会致词穷与表达异常 ✓ 正确答案 C 频率惩罚不累加 D 惩罚越强越好
# 4. min_p 采样策略的原理，相比 top_p 的动态阈值，min_p 设定基于最高概率 token 的绝对下限比例，为何在某些模型上效果优于 top_p？ A top_p 与 min_p 机制完全相同 B min_p 阈值与最高概率无关 C min_p 效果总是差于 top_p D top_p 按累计比例动态截断、min_p 按相对最高概率的绝对下限截断，min_p 在稳定排除低概率 token 上更稳健 ✓ 正确答案
# 5. 结构化输出的约束解码（grammar-based sampling，如 GBNF/JSON Schema）与 Provider 原生 Structured Outputs 在格式保证、延迟与成本上有何差异，如何选型 A 约束解码与原生 Structured Outputs 完全相同 B 约束解码无法保证格式 C 约束解码自建可控适合自部署，原生 Structured Outputs 省事内置依赖 Provider，按部署形态与成本选型 ✓ 正确答案 D 原生 Structured Outputs 总是免费
# 6. 结构化输出（JSON Mode/Function Calling）与解码约束如何结合减少格式错误？ A 约束解码无法与 JSON Mode 结合 B 约束解码在解码阶段强制 schema 合法，JSON Mode/Function Calling 定义结构，结合后格式错误被消除，只留语义校验 ✓ 正确答案 C 约束解码会破坏 JSON 结构 D 格式错误只能靠重试
# 7. 流式输出与解码参数的交互，不同参数组合下流式增量输出的稳定性如何评估（半截 token、重复段、截断恢复） A 流式增量一定是完整 token B 流式需处理半截 token（缓冲拼接）、重复段（采样控制）、截断恢复（回填续写），并评估参数组合下的稳定性 ✓ 正确答案 C 高 temperature 不会引起流式重复 D 流式截断无法恢复
# 8. 结构化任务（抽取、分类、JSON 生成）中 temperature/top_p 的推荐区间应如何用评估集确定，而不是凭经验 A 参数凭经验即可，无需评估 B 用评估集做参数网格搜索，测结构化任务指标，选准确率高且稳定的 temperature/top_p 区间 ✓ 正确答案 C 所有结构化任务都用 temperature=1 D 评估集无法用于调参
# 9. temperature 设为 0 是否保证完全确定性输出，为什么同一请求仍可能返回不同结果，如何用 seed 与固定参数提升可复现性？ A temperature=0 不保证确定（实现/版本/后端引入差异），用 seed+固定参数+版本+缓存提升可复现性 ✓ 正确答案 B 固定 seed 即可绝对复现 C 后端升级不影响输出 D temperature=0 保证完全确定
# 10. logit_bias 的工程应用，如何用 token 级偏置修正模型在特定符号/格式上的输出习惯，其限制与风险？ A logit_bias 是语义级约束 B logit_bias 按 token 加偏置修正格式/术语，但限制在 token 级、需维护 token id 映射、过度偏置伤流畅性 ✓ 正确答案 C logit_bias 无任何风险 D 一个词总是单个 token，无需维护映射
# 11. max_tokens 与输出长度的成本关系，输出 token 计费与缓存的影响，如何用 max_completion_tokens 控制成本与延迟？ A 输出越长成本越高，用 max_tokens/max_completion_tokens 限制输出上限（含思考 token）控制成本与延迟 ✓ 正确答案 B max_completion_tokens 不含思考 token C 输出长度不影响成本 D 输出超长无任何影响
# 12. 解码参数与评测的配合，为什么回归评测必须固定 seed/参数/模型版本，参数漂移如何污染对比实验？ A 评测无需固定参数，只看结果 B 回归评测必须固定 seed/参数/模型版本，否则参数漂移使输出差异无法归因，污染对比实验 ✓ 正确答案 C 评测只需固定 seed D 参数漂移不影响评测
# 13. logprobs 的应用场景，置信度评估与分类任务的软标签输出？ A logprobs 只能用于展示 B logprobs 用于置信度评估（拒答/复核/升级）与分类软标签（概率分布），但作为置信信号而非正确性指标 ✓ 正确答案 C logprobs 恒等于正确率 D 软标签只能硬选一个
# 14. beam search 与采样为何很少同时暴露在商用 API 中，自部署场景下两者的实现成本与适用场景有何差异？ A 商用 API 会同时暴露 beam search 与采样 B beam search 计算最轻 C 采样必然重复 D beam search 确定但计算重、采样多样但随机，API 多只暴露采样，自部署可按任务选 ✓ 正确答案
# 15. seed 参数如何用于可复现生成与回归测试？ A seed 与版本无关，任意环境可复现 B seed 只在生成时有效，与回归无关 C 固定 seed 即绝对复现 D seed 固定随机源使同请求（同版本+同参数）可复现，用于可复现生成与回归测试，但跨版本不保证 ✓ 正确答案
# 16. 流式输出（stream）下如何结合解码参数做前端增量渲染与中断恢复？ A 解码参数与流式无关 B 流式前端必须整段渲染，无需增量 C 流式中断无法恢复 D 流式前端做缓冲拼接与增量渲染，结合低温度稳采样，中断时用已生成内容回填续写恢复 ✓ 正确答案
# 17. 多模态生成（图像/语音）的解码参数（采样步数、引导系数、温度）与文本参数应如何分别治理与回归 A 图像与文本用同一套解码参数 B 采样步数不影响图像质量 C 多模态参数（步数/引导/温度）与文本参数分开治理，各自 schema 与评估集，单独回归 ✓ 正确答案 D 多模态无需回归
# 18. 解码参数如何随模型版本演进重新校准，参数失效导致的质量漂移应如何监控 A 模型升级后参数可能失效，需用评估集重新校准，并监控质量指标漂移 ✓ 正确答案 B 旧参数在新版本永远有效 C 参数不随模型版本变化 D 参数无需监控
# 19. 同一参数在不同 Provider/API 上的语义差异（如 temperature 的默认值与作用范围）应如何通过契约测试对齐 A 同一参数在所有 Provider 语义相同 B 契约测试无法处理参数差异 C temperature 默认值各处相同 D 参数跨 Provider 的默认值/作用范围不同，用契约测试锁定"统一参数到各 Provider 参数"的映射与语义 ✓ 正确答案
# 20. 批量与离线推理的解码参数，批处理场景下如何统一参数、处理截断与重试，与在线推理的差异？ A 批量不能重试 B 离线与在线推理参数与策略完全相同 C 批处理统一参数、延迟不敏感可扩展重试与折扣；在线即时响应、参数按实时预算，两者策略不同 ✓ 正确答案 D 离线也需极低延迟
