模块 1 考试题型自测 — LLM Foundations

中文题干 + 英文术语保持原文。共 15 题（单选 8 / 多选 3 / 判断 4）。 先做完再看文末《答案与解析》。

单选题

🎯 学习重点：先识别唯一权威机制或版本边界；不要被“听起来更稳定/更省事”的产品直觉带偏。

Q1. Anthropic API 的计费 (billing) 与速率限制 (rate limiting) 以什么为单位？ A. 字符数　B. Token 数　C. 请求数　D. 字节数

Q2. 官方文档把 Context Window 类比为什么？ A. 数据库　B. 模型权重的一部分　C. Working memory（工作记忆）　D. 永久缓存

Q3. 官方对 Context Rot 的定义是： A. 上下文超过窗口上限时被丢弃 B. As token count grows, accuracy and recall degrade C. 缓存过期导致的前缀重算 D. 温度过高导致输出漂移

Q4. 一张 1000×1000 的图片约消耗多少视觉 token（28×28 patch，未缩放）？ A. 100　B. 500　C. 1296　D. 10000

Q5. 关于多轮对话与 Messages API，正确的是： A. API 服务端保存对话，客户端只发增量 B. API 无状态，每轮重发全部相关历史 C. 历史存在模型权重里 D. 只有 tool_result 需要重发

Q6. 截至 2026-08-30，Claude Opus 5 / Sonnet 5 的思考模式是： A. 手动 extended thinking（thinking.type: "enabled"） B. Adaptive thinking（模型自适应，effort 调节） C. 不支持思考 D. 仅 beta header 开启

Q7. 在 Claude Opus 4.7 及之后的模型上设置非默认 temperature 会： A. 被忽略　B. 自动取默认值　C. 返回 400 错误　D. 触发降级

Q8. Hallucination 的机制性根源是： A. 模型过热　B. 训练数据被污染　C. Next-token prediction 只优化"像不像真的"，不校验"是不是真的"　D. 上下文窗口太小

多选题（多选/漏选均不得分）

🎯 学习重点：逐项判断“是否占窗口、是否计费、是否占 ITPM”三个不同问题，不能把它们合并成一个“算不算 token”。

Q9. 以下哪些计入 Context Window？（按官方文档） A. System prompt　B. 工具定义 (tools)　C. 图片内容　D. 本轮输出（含 thinking tokens）

Q10. 架构上缓解幻觉的正确手段有： A. 接地 (Grounding) 到检索资料　B. 工具获取实时事实　C. 评估集显式测幻觉率　D. prompt 里写"请不要出错"作为唯一防线

Q11. 关于 token 计量，正确的说法有： A. 中文常见汉字通常 1 字 ≈ 1–2 token B. 官方 Token Counting API 可精确预估 C. 缓存读取 token（多数模型）不计入 ITPM 速率限制 D. 字符数是可靠的预算单位

判断题（对/错）

🎯 学习重点：警惕“保证、永久、越大越准”等绝对词；概率模型的格式、事实和记忆都需要应用层边界。

Q12. temperature=0 能保证输出是合法 JSON。

Q13. 训练 (Training) 发生在 Anthropic 侧、模型发布前；推理 (Inference) 时权重冻结。

Q14. Knowledge cutoff 之后的事实必须通过工具或检索获取，这是 Tool Use 存在的第一性理由之一。

Q15. 上下文窗口越大，模型对中部信息的召回越可靠。

答案与解析

🎯 学习重点：复盘时不仅记答案，还要为每个错误选项标注它混淆了哪个概念或忽略了哪个模型版本。

A1. B — "Anthropic's API bills and rate-limits by token counts"（来源: https://platform.claude.com/docs/en/api/messages（访问于 2026-08-30））。计费与 ITPM/OTPM 全按 token。C 迷惑项：RPM 是另一维度，不是计费单位。

A2. C — 官方定义："it represents a 'working memory' for the model"（来源: https://platform.claude.com/docs/en/build-with-claude/context-windows（访问于 2026-08-30））。A 是最常见误解：窗口不是存储。

A3. B — 原文即此句（来源: context-windows（访问于 2026-08-30））。A 是"超窗"，C 是缓存失效，均为不同现象。

A4. C — ⌈1000/28⌉ × ⌈1000/28⌉ = 36×36 = 1296（来源: https://platform.claude.com/docs/en/build-with-claude/vision（访问于 2026-08-30））。

A5. B — Messages API "can be used for either single queries or stateless multi-turn conversations"（来源: https://platform.claude.com/docs/en/api/messages（访问于 2026-08-30））；每轮输入含全部历史。缓解靠 prompt caching，而非服务端状态。

A6. B — 模型总览：Opus 5 / Sonnet 5 / Fable 5 = Adaptive；extended thinking 手动模式在 4.6 弃用、更新的模型不接受；Haiku 4.5 仍为 Extended（来源: https://platform.claude.com/docs/en/models/overview（访问于 2026-08-30））。

A7. C — "Returns a 400 error when set to a non-default value on Claude 4.7 and later models"（来源: https://platform.claude.com/docs/en/about-claude/model-deprecations（访问于 2026-08-30））。

A8. C — next-token prediction 的目标函数是统计拟合，不含真值校验；幻觉因此是固有属性，需架构层缓解（接地/工具/评估）。

A9. ABCD — 官方明确：请求中的一切（system、messages 含 tool result 与图片、tools 定义、本轮输出含 thinking）都计入窗口（来源: context-windows（访问于 2026-08-30））。

A10. ABC — D 把 prompt 当唯一防线是官方与工程共识的反模式；A/B/C 对应模块 07/04/12 的架构手段。

A11. ABC — D 错：中英文 token 密度差异大，字符数不可靠；精确值用 POST /v1/messages/count_tokens（来源: https://platform.claude.com/docs/en/api/overview（访问于 2026-08-30））。C 见 rate limits：cache_read_input_tokens 不计入 ITPM（多数模型；Haiku 3.5 例外且已 retired）（来源: https://platform.claude.com/docs/en/api/rate-limits（访问于 2026-08-30））。

A12. 错 — 温度只能压缩随机性，不能保证格式合法；保证要靠 schema 约束（结构化输出/strict tool use，模块 05）。且 4.7+ 模型上非默认温度直接 400（来源: model-deprecations（访问于 2026-08-30））。

A13. 对 — 训练发生在 Anthropic 侧预发布；推理时你只能控制 prompt/上下文/工具/参数，权重不可变（模块 01 §8）。

A14. 对 — reliable knowledge cutoff 之后的实时事实（价格、新闻、库存）必须靠工具/检索；参数知识不可依赖（来源: https://platform.claude.com/docs/en/models/overview（访问于 2026-08-30））。

A15. 错 — 恰相反：token 越多 context rot 越明显（来源: context-windows（访问于 2026-08-30））；这正是"检索优先于堆上下文"的根据。

错题归因速查：