177、【单选题#15】在对( )这方面,人类明显比机器有优势,因为人们可以靠自身去主观感受他人的客观体验。

408、【单选题 #12】ChatGPT使用Transformer神经网络架构,拥有语言理解和文本生成能力,它会通过连接大量( )来训练模型,使得它具备上知天文下知地理,能根据聊天的上下文进行互动的能力。

407、【单选题 #12】作为一个无监督模型,GPT-3几乎可以完成自然语言处理的绝大部分任务。一个无监督模型功能多效果好,似乎让人们看到了( )人工智能的希望,这是GPT-3影响如此之大的主要原因。

406、【单选题 #12】( )年是NLP预训练模型元年。在性能方面,当年推出的GPT-1有一定的泛化能力,能够用于和监督任务无关的NLP任务中。

405、【单选题 #12】为什么现在会舍弃文法、句法分析和语义解释,转而使用纯粹的( )模型?这是因为它更容易开发和维护,并且在标准的基准测试中得分更高。

404、【单选题 #12】使用( )训练数据可以得到更好的模型。如果进一步使用其他类型的数据——结构化数据库、数值数据、图像和视频,需要在硬件处理速度上取得突破。

403、【单选题 #12】( )是一种语言模型,它有15亿个参数,在40GB的因特网文本上训练。它在法英翻译、查找远距离依赖的指代对象以及一般知识问答等任务中都取得了良好的成绩。

402、【单选题 #12】在( )硬件进步普及的背景下,研究人员能够直接下载如Transformer这样的模型,而不需要花费资源训练自己的模型,从而允许使用者高效地训练比之前更大更深的神经网络。① CPU ② GPT ③ TPU ④ XPU

401、【单选题 #12】ImageNet是斯坦福大学李飞飞教授为了解决机器学习中过拟合和泛化的问题而牵头构建的一种( )。直到目前,它仍然是深度学习领域中图像分类、检测、定位的最常用数据集之一。

400、【单选题 #12】( )年,自然语言处理出现了一个转折点,它的主要推动力是,通过深度学习和迁移学习,自然语言处理可以下载通用语言模型,并针对特定任务进行微调。

399、【单选题 #12】在自然语言处理中,基于( )的处理系统已经在许多任务上获得了成功,但它们的性能受到实际文本中极度复杂的语言现象的限制。① 句法分析 ② 语素分析 ③ 语义分析 ④ 词语分解