附录 C 练习题

附录 C 练习题

十四道题分基础、进阶、思考三档，覆盖第 06~11 章与两个附录。每题只给提示不给答案——答案都在对应章节里，练习的目的是逼你回去再用一次。

三档的定位与用法：

题目与章节的对应关系：第 13 题对应第 0607 章，第 45 题对应第 09 章，第 67 题横跨 6.1、7.1 与 10.2，第 89 题对应第 9 章，第 10 题对应第 11.2 节，第 1114 题对应第 7、10、11 章的综合判断。

建议节奏：基础档随读随做（读完对应章就做）；进阶档攒到周末成批做，工具链热着的时候效率最高；思考题适合放在团队讨论里——它们的真实用途是把本书的纪律变成团队的语言。

做题约定：涉及运行环境的题默认你已按第 03 章完成 uv sync 并能启动 kev.serve；涉及数字口径的题，凡未标注官方口径的数值一律按示意值处理。

一、基础（动手跑通）

第 1 题（Playground）。在 Playground 里对同一道 Choice 题分别用 packed 与 separate 各跑一次，比较输出。请说明你看到了什么，以及这个现象对应官方的哪条承诺。

提示：第 06 章支柱页与第 6.2 节；"逐位一致"四个字是关键。

第 2 题（permute 初体验）。挑一道你业务里的三选一题，用第 6.1 节的 permute_stability.py 跑十次打乱，记录 top-1 与概率，手算翻转率与摆幅。

提示：先跑通一次原始顺序确认服务在线；基准答案取多数票。

第 3 题（数据 schema）。把你手头任意一个判断场景写成一条合法的四字段 JSONL 记录，然后对着第 7.1 节的"外行测试"自检：不懂业务的人读完 context 能做出同样判断吗？

提示：context 写多了会把答案暗示进去，写少了只剩选项先验。

第 4 题（显存纸面账）。用第 9.2 节的对照表（示意值）回答：预算一张 24 GB 级的卡，哪些尺寸可以跑？若业务平均上下文数千 token，你的答案要怎么修正？

提示：别忘了 KV 缓存那笔账随上下文长度与并发数涨。

第 5 题（读性能表）。打开官方服务性能表，找到 9B 一行，抄下延迟三列（p50/p95/p99，以官方数值为准），并回答：给下游承诺 SLA 时你能用哪一列、绝不能用哪一列？

提示：平均值会撒谎，用户感受到的是长尾。

二、进阶（组合运用）

第 6 题（对称化实现）。把第 6.1 节的 symmetrize.py 扩展为"三选项全排列、四选项及以上采样六次"的混合策略，并在输出里附带一个"原始顺序答案与对称化答案不一致"的告警标记。

提示：itertools.permutations 与 random.sample 各管一段；告警标记本身就是一个可监控指标。

第 7 题（留出集流水线）。为你的业务数据写一个 split_holdout.py：固定随机种子、九一切分、holdout 写入独立目录并输出哈希。然后用第 10.2 节的 seal_locked_test.py 把它升级成可封存可校验的 locked 册。

提示：固定种子是可复现的关键；台账里 status 字段的迁移就是你从自觉版升到机制版的过程。

第 8 题（冷启动实测）。对第 9.1 节部署的 Modal 端点做一次冷启动测量：空闲超过归零时限后掐表发请求，重复三次取分布。再估算：若你的业务是"每天几十次突发请求"，保温与不保温的年度成本差多少（数量级估算即可）？

提示：第 9.1 节的算账框架是"保温成本对比冷启动代价乘频次"；探活脚本 keep_warm.py 可以直接改造。

第 9 题（压测拐点）。用第 9.3 节的 bench_endpoint.py 对本地 kev.serve 做逐级加压（并发从 1 扫到 16），画出 p95 延迟随并发的曲线，标出你找到的拐点。

提示：拐点之后吞吐还在涨但长尾开始恶化；每轮记录环境，否则曲线无法事后比较。

第 10 题（日期预检落地）。给第 11.2 节的 preflight 函数补上"检测 context 里是否残留未预计算的日期对"的告警逻辑：出现"创建于 X 天前""距今 Y 天"这类原始日期关系而非结论字段时打印警告。

提示：宁可误报不可漏报；真正彻底的做法是在组装层只允许结论字段通过。

三、思考（没有标准答案）

第 11 题（起点哲学）。第 7.3 节说"决策能力在 checkpoint 不在底座"，第 9.2 节又说"底座决定天花板"。请把这两句话放进同一个框架：对四尺寸家族（0.8B 到 27B），各自的天花板与起点纪律分别意味着什么？

提示：想想"能力铸造"与"业务特化"两阶段的分工，以及为什么小数据的使命只是后者。

第 12 题（污染的思想实验）。假设你的团队每周发一版模型，每次发版前都跑同一个冻结套件并根据结果决定是否发布。三个月后，这个流程还算"冻结"吗？它和 locked test 的差距具体在哪一步兑现？

提示：发布决策也是一种"据结果回调"；数一数信息渗入决策的通道有几条。

第 13 题（对比的伦理）。老板要求你在汇报里写一句话："Kev 已经全面达到 Jev 水平。"结合第 10.3 节的两对官方数字（0.851 对 0.857、52.3 对 54.0）与 confident error（2.4% 对 3.7%），你会怎么改写这句话，使它在未来任何一次事故复盘中都站得住？

提示：结论写窄三件套——数字带条件、结论带范围、留复测门。

第 14 题（边界的价值）。官方把 MMLU-Pro 落后、日期弱、顺序敏感、长文衰减四条边界写进 README。从使用者、贡献者、竞争者三种视角，分别评估这种"诚实声明"的价值与代价；再回答：你的团队自训模型后，愿意公开哪些边界？

提示：对照第 11 章开头那句金句，以及第 10.3 节对"写窄结论"的论证。

做题之外的最后一问留给你自己：这本书里哪条纪律是你现在的工作流里最缺的？把它写成这周的第一条待办——练习题的终点不是做完，而是用上。