中国计算机学会（CCF）于2025年8月推出CCF大模型能力认证（Large Model Competence Certification，简称LMCC），旨在通过认证推动人工智能全学段教育的发展，发现和培养人工智能发展所需要的不同层次、不同类型的人才，为中国人工智能的发展贡献力量。
在这个贴子里面记录和分享学习最近很火的大语言模型的过程
何意味
11.10 更新
得分93分
LMCC成人组第一轮考试成绩
11.8 LMCC 大模型认证实战体验
刚结束 LMCC 大模型认证考试，趁着记忆还清晰，整理一份超实用的经验分享，给后续要考的朋友避坑
先说说考试的基本背景：这个认证是计算机学会今年 8 月就开始宣传的，含金量在 AI 领域还算受认可，想往大模型方向发展的朋友可以冲。我本身在杭州，但杭州没有设置考点，最终选了上海考区——这里提醒杭州的考生，提前规划好行程，不用临时慌。
关于住宿：建议考试前一天（我是 11.7 晚）订在考点周边的民宿，上海考区附近的松江大学城是绝佳选择，性价比很高，几十到一百多就能拿下干净整洁的房间，而且离考点近，第二天不用早起赶路，能保持好的考试状态，比住远途酒店省心太多。
考试形式和整体体验：满分 100 分，全是选择题，共 30 道，整体难度适中，体验感很不错。前 20 题每题 3 分，侧重 AI 基础知识考察（占分 60%+）；后 10 题每题 4 分，是程序填空类选择题，聚焦实操相关的知识点，65 分就能通过，只要抓准重点，通过率还是很高的。
下面是核心考点梳理，全是考场上实测遇到的，针对性极强：
一、前 20 题基础知识点（高频+中频+低频分层）
- 高频核心知识点（占分 60%+）
这部分是得分关键，考到的概率极高，一定要吃透：
• 模型架构与核心机制：生成式大模型（比如 GPT 系列）的核心架构是解码器模型；Transformer 自注意力机制中，Query、Key、Value 来自同一个输入向量经三个不同线性变换层投影得到；还要分清编码器模型、解码器模型、编解码混合模型的区别。
• 训练与微调技术：LoRA（低秩适配）的核心是并联低秩矩阵，仅训练这对矩阵而非全参数微调；学习率预热的目的是防止训练初期梯度爆炸或模型不稳定；RLHF 需要训练独立奖励模型，DPO 则可以省去这一步；监督微调的核心逻辑也要掌握。
• 数据与对齐：指令微调数据的典型特征是（指令/问题，期望输出）的配对形式；大模型“人类对齐”的目标是符合人类价值观、安全且有帮助；避免歧视性内容的关键是在预训练和微调阶段做数据清洗+引入公平性约束。
• 解码与推理：束搜索比贪心搜索更易生成整体通顺的句子（贪心仅每次选最优，未必全局最优）；VLLM 加速的核心是 PagedAttention 内存管理机制，解决 KV Cache 碎片化问题；明确测试时间拓展（TTS）的技术范围，避免和训练阶段技术混淆。
• 指标与评测：Pass@K 的 K 指生成方案数，结果代表通过多方案生成解决问题的比例；困惑度越低，模型对文本的预测越准确，性能越好；模型评测核心维度包括任务准确率、流畅度、安全性、泛化能力，GPU 功耗这类硬件相关内容不属于核心评测项。
- 中频知识点（占分 30%）
这部分占比不低，针对性记忆即可：
• 模型优化与挑战：混合专家模型（MoE）的主要挑战是专家负载不均衡；强化学习优化推理能力的难点是推理路径搜索空间大，训练效率低；大模型的涌现能力、上下文学习特征（无需梯度更新即可完成新任务）要理解。
• 参数高效微调细节：LoRA 的省显存配置通常是 r=8、lora_alpha=16；全局 batch size 固定时，per_device_train_batch_size 和 gradient_accumulation_steps 的搭配要符合显存限制（比如单卡 16GB 显存下，per_device=1+梯度累积 8 更稳妥）。
• 注意力机制变体：分组查询注意力（GQA）中，KV 头数少于查询头数，需通过复制 KV 头匹配查询头；Scaled Dot-Product Attention 的缩放因子是 1/√D（D 为头维度）。
• 模型安全与偏见：模型输出安全性评测是核心评测内容之一，要明确歧视性内容的缓解阶段和核心手段。
- 低频知识点（占分 10%）
这部分考到的概率低，不用花费过多精力：
• 无监督学习与监督学习的区别：监督学习用标注数据，无监督学习从无标签数据中发现模式。
• 混合专家模型细节：比如训练收敛性、长序列处理限制等，了解即可。
• 推理加速辅助技术：模型量化、FlashAttention 等是优化手段，但不是 VLLM 的核心创新。
二、后 10 题程序填空类选择题（每题 4 分！）
这部分侧重实操场景，不用死记代码，但要理解核心逻辑：
• 第一大题聚焦于千问（Qwen）模型框架：比如加载 Qwen 分词器需要带 trust_remote_code=True 参数；LoRA 在千问模型中的目标模块是注意力机制的 q_proj、v_proj 等投影层。
• 第二大题聚焦 Transformer 注意力机制：重点考多头注意力（MHA）和多头隐式注意力（MLA，国产 DeepSeek 的最新技术），包括 KV 向量的扩展逻辑（比如 GQA 中用 expand_kv_for_gqa 函数复制 KV 头）、注意力分数计算（Q×K 转置×缩放因子）、因果掩码的应用、最终输出的加权求和逻辑（注意力权重×Value）。
答题技巧：遇到不会的题，优先用排除法（排除极端表述、语法错误选项），结合关键词匹配高频考点答案，不要空题（无倒扣分，蒙题也有概率得分）。
整体来说，LMCC 认证的考察重点是大模型的基础理论和核心实操逻辑，难度不算高，只要针对性备考，60 分过线很稳妥。
精神状态良好的OIer