1. A. 生成式AI學習資料分布以「產生」新內容；判別式AI學習決策邊界以「分類/預測」既有標籤
2. B. 生成式AI不需要訓練資料
3. C. 兩者沒有差異，只是命名不同
4. D. 生成式AI只能處理文字，判別式AI只能處理圖片

答案：A。判別式模型（如分類器）輸出的是標籤或機率；生成式模型（如 GPT、擴散模型）學習資料本身的分布，能產生新的文字、圖像、音訊等內容。

1. A. ChatGPT（基於大型語言模型的對話助手）
2. B. Siri
3. C. AlphaGo
4. D. IBM Deep Blue

答案：A。ChatGPT 於 2022 年 11 月上線，兩個月破億用戶，將生成式AI從研究圈推向大眾；AlphaGo（2016）屬強化學習里程碑，Siri/Deep Blue 則更早。

1. A. 2012 年《ImageNet Classification with Deep CNNs》
2. B. 1998 年《Gradient-Based Learning Applied to Document Recognition》
3. C. 2017 年《Attention Is All You Need》
4. D. 1950 年《Computing Machinery and Intelligence》

答案：C。Vaswani 等人 2017 年提出 Transformer，以自注意力機制（Self-Attention）取代遞迴結構；2012 年是 AlexNet（CNN）、1998 年是 LeNet、1950 年是圖靈的機器智能論文。

1. A. 模型訓練後學到的權重數值，規模從數十億到上兆不等
2. B. 使用者輸入的提示詞
3. C. API 呼叫的次數
4. D. 模型的回應字數上限

答案：A。參數＝模型內部可學習的權重。GPT-3 約 1,750 億參數；參數規模與能力相關（Scaling Law），但不是越多一定越好。

1. A. 模型處理文字的最小單位（可能是字、詞或子詞），計費與上下文長度都以它計算
2. B. 使用者的登入密碼
3. C. 模型的訓練輪數
4. D. 一段圖片的像素

答案：A。LLM 以 tokenizer 將文字切為 token；中文常一字一 token 或多字一 token。上下文窗口（context window）與 API 計費皆以 token 為單位。

1. A. 回應的生成速度
2. B. 模型單次對話能「記住」並處理的最大 token 數量
3. C. 瀏覽器視窗大小
4. D. 模型訓練所用的硬碟容量

答案：B。上下文窗口＝對話中系統提示＋歷史訊息＋使用者輸入＋模型輸出的總 token 上限；超出後早期內容會被截斷或遺忘。

1. A. 音訊（語音、音樂）
2. B. 文字（文章、摘要、程式碼）
3. C. 資料庫的交易 ACID 保證
4. D. 圖像（插畫、照片級圖片）

答案：C。生成式AI輸出涵蓋文字、圖像、音訊、影像、程式碼、3D 模型等；交易 ACID 保證是資料庫一致性概念，與生成式AI無關。

1. A. 同時使用多台伺服器訓練
2. B. 能同時理解/生成多種型態資料（如文字＋圖像＋語音）的模型
3. C. 模型可以多工處理多個使用者的帳號
4. D. 一個模型檔案分成多個下載

答案：B。多模態＝跨輸入/輸出型態：如 GPT-4o（文字+圖像+語音）、Gemini 系列；單模態模型僅處理一種型態（如純文字 LLM）。

1. A. 決策樹
2. B. Transformer（自注意力機制）
3. C. 支援向量機 SVM
4. D. 傳統循環神經網路 RNN

答案：B。Transformer 以自注意力解決長距離依賴與平行運算問題，是 GPT、Gemini、Claude、Llama 等所有主流 LLM 的基礎架構。

1. A. 讓模型計算序列中每個 token 與其他所有 token 的關聯權重，掌握長距離上下文
2. B. 限制模型回應長度
3. C. 將使用者輸入加密
4. D. 壓縮模型檔案大小

答案：A。Self-Attention 對每個位置計算 Query/Key/Value，動態加權整個序列的資訊——這是 Transformer 能理解長文上下文的關鍵。