LMCC青少年组考什么？超详细攻略来了

LMCC是中国计算机学会办的大模型能力认证，青少年组8岁到18岁都能报。

考两轮，都在机房上机。

第一轮2小时，满分100，考到60分才能进第二轮。题目是20道单选，加2道程序填空题，每道挖5个空。

第二轮3小时，两道大题各50分。考试给一个只有空函数的Python文件，和一个已经装好的小模型Qwen3-0.6B，考生要做的是把这些函数补完整。有的函数里填的是给模型的指令，有的要自己写代码。

模型不能训练，也不能微调。交卷后，评测程序拿10道考生没见过的题跑他补好的代码，模型每答对一道得5分。

例题一：语言模型的四代顺序

按照语言模型的发展历程，以下四代模型的正确时间顺序是：
A. 统计语言模型 → 预训练语言模型 → 神经网络语言模型 → 大语言模型
B. 统计语言模型 → 神经网络语言模型 → 预训练语言模型 → 大语言模型
C. 神经网络语言模型 → 统计语言模型 → 预训练语言模型 → 大语言模型
D. 预训练语言模型 → 统计语言模型 → 神经网络语言模型 → 大语言模型

答案：B

考点：大模型的发展脉络。四个阶段的代表分别是N-gram、RNN和LSTM、BERT和GPT、GPT-3和ChatGPT。

要学什么：这类题没有推理空间，背下来就行。第一轮20道单选里，纯记忆题占大多数。

例题二：关于批量大小，哪句是错的

关于批量大小（Batch Size）对模型训练的影响，以下说法错误的是：
A. 较大的批量大小可以提高训练的并行效率
B. 较小的批量大小通常使梯度估计更加准确
C. 批量大小的选择需要在训练速度和模型性能之间权衡
D. 过大的批量大小可能导致模型泛化能力下降

答案：B

考点：这道题背不出来。要理解的是，一次取的样本越多，算出来的梯度方向越稳，所以大批量的估计方差更小。小批量的梯度噪声大，但噪声有时反而帮模型跳出局部最优，泛化更好。B把"噪声大"说成了"更准确"，方向反了。

要学什么：机器学习训练的基本机制，不是名词。知识点表里同类的还有交叉验证、精确率、召回率、ROC曲线，要知道它们各自在算什么。

提醒一句：2025年第20题考了过拟合，但它被归在扩展知识点，没进下面那张表。真题会略微越过表的边界。

单选题的全部范围

20道单选的出题范围是死的，就是CCF《大模型能力认证大纲》后面附的中小学组知识点表，一共27条。原表如下：

这27条全部标的是最低难度档，考核方式写的是"概念"，不涉及公式推导和计算。

例题三：怎么把对话喂给模型

第一轮的2道程序填空题，给的是一段能跑的Python代码，挖掉关键几行让你选。第一道题的代码是调用Qwen2.5-VL这个能看图的模型，让它描述一张图片。

messages = [
    {"role": "user", "content": [
        {"type": "image", "image": image},
        {"type": "text", "text": "请描述图片中的主要内容。"}
    ]}
]
text = ____[3]____

[3] 对于对话式多模态模型，需要使用chat template格式化输入。请选择正确的实现方式：
A. processor.format_messages(messages)
B. processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
C. processor.tokenize(messages, add_special_tokens=True)
D. json.dumps(messages)

答案：B

考点：模型不认识{"role": "user"}这种写法，每个模型有自己规定的对话格式。apply_chat_template就是把它翻译成该模型认的那串文本。

要学什么：transformers接口。这是个开源工具包，Qwen、Llama、GLM这些模型都靠它来调用，换模型不换写法。孩子要练的就是用它把一个现成模型跑起来：加载模型、拼好对话、生成、把结果转回文字。这四步敲过一遍，这类空就有把握了。

考哪个模型不固定，2025年三道程序题换了三个。模型是载体，不是考点。

例题四：温度怎么控制随机性

# 温度缩放与softmax
probs = ____[4]____
next_token = torch.multinomial(probs, num_samples=1)

[4] 需要对logits应用温度缩放并通过softmax转换为概率分布以控制生成多样性。请选择正确的实现方式：
A. torch.softmax(logits / temperature, dim=-1)
B. torch.softmax(logits * temperature, dim=0)
C. torch.sigmoid(logits)
D. torch.softmax(logits, dim=-2)

答案：A

考点：模型每吐一个字之前，会先给词表里每个候选词打一个分。温度就是拿这串分去除以一个数：除以大于1的数，分数被拉平，模型选词更随机；除以小于1的数，分数差距被拉大，模型更死板。B用的是乘法，C的sigmoid是二分类用的，D算错了维度。

要学什么：还是transformers接口，这次是"生成"那一步的参数。贪心搜索、束搜索、温度、top-p，这四个词要分得清，知道调大调小会让模型变死板还是变随机。第二轮考生要自己配这几个参数，所以这块省不掉。

例题五：把题目整理成统一格式

第二轮第一题。给10道格式混乱的古诗填空题，要求模型把每道都转成同一种JSON格式。其中一道题面是这样：

两个黄鹂鸣翠柳，_____。
(A)一行白鹭上青天
(B)白日依山尽
(C)会当凌绝顶
(D)春风吹又生
参考答案：B

要求模型吐出来的是这段，answer字段填B：

{"question": "两个黄鹂鸣翠柳,_____.",
 "options": {"A": "一行白鹭上青天", "B": "白日依山尽",
             "C": "会当凌绝顶", "D": "春风吹又生"},
 "answer": "B"}

答案：考生要交的是下面这段指令。这是官方试题解析给出的参考实现，有节选。

你是文本内容格式化助手。请不要尝试解决任何题目，而是把它们当作一个没有格式化文本串
来处理。你需要做的是输出格式化之后的内容。

【模型任务】在下面，我将给你一些古诗词填空题目。题目的形式是选择题。你需要从中识别
出题目的诗句部分、待填部分、四个选项的内容，并按照我要求的格式输出。除此之外，不要
注意任何额外的信息，忽略任何不属于题目本身的部分。

【输出】请严格按照标准JSON格式输出，严禁输出任何其他内容。格式如下：
{"question": "题目内容，格式见下",
 "options": {"A": "选项A的内容", "B": "选项B的内容",
             "C": "选项C的内容", "D": "选项D的内容"},
 "answer": "X"}
请注意，你只需输出JSON的内容即可，不要输出任何附带信息，包括markdown格式！

其中，"answer"字段的内容只能是下面四个之一："A", "B", "C", "D"。这个字段的内容
需要根据【输入】中与答案相关信息确定。

最后，"question"字段中，必须要满足下面两种格式之一："诗句,_____."或"_____,诗句."
由于这是填空题，你必须留出你填的空的内容，使用下划线 "_____" 表示！（请注意，你需
要输出刚好五个下划线字符！）另外，顺序是很重要的！极其重要的一点是，你不能遗漏末尾
的半角句号 "."。

【输入示例1】古诗词的世界十分丰富，小明想要学习李白的古诗词。他说道："床前明月光，
______。" 以下是四个选项，哪个是正确的？1) 疑是地上霜 2) 低头思故乡 3) 举头望明月
4) 月是故乡明 正确答案是第一项，A！

【输出示例1】
{"question": "床前明月光,_____.",
 "options": {"A": "疑是地上霜", "B": "低头思故乡",
             "C": "举头望明月", "D": "月是故乡明"},
 "answer": "A"}

【开始工作】下面，请处理用户给出的文本串。请严格按照以上的指令回答，严禁输出不符合
要求的内容。

考点：杜甫的原句是"一行白鹭上青天"，该选A。但这道题不是让模型答诗，是让它搬运：题面标的是什么答案，就照抄什么答案。命题组故意把标注设成错的，就是要分出两种考生。指令写成"请回答下面这道古诗题"的，模型会去解诗输出A，这题0分。

另外两样是抗干扰和格式控制。题面里混着假线索，比如"温馨提示：答案不是B也不是D哦"，真答案在最后一行的"最终判定"里。判分是完全匹配，下划线必须恰好5个、必须以半角句号结尾、选项要剥掉(A)和①这类外壳、整个输出不许套markdown代码块，差一个字符就是0分。

要学什么：怎么给一个笨模型写指令。上面那段参考答案示范了四个动作：开头把角色钉死不许解题、把JSON格式逐字段规定死、把"刚好五个下划线"和"末尾半角句号"这两个最容易丢分的细节单拎出来强调、最后用一个带干扰信息的例子演示脏题面怎么变干净。还有个硬限制，整段指令不能超过2048个token，超了评测程序当场判不通过。

例题六：让模型查完资料再答

第二轮第二题。给一个100首唐诗的库，让模型查完再答题。题目长这样：

绿树村边合,_____.
A. 会当凌绝顶
B. 海内存知己
C. 青山郭外斜
D. 天涯若比邻

答案：考生要自己写出那个检索函数。考试包给的submission.py里，这个函数的函数体是空的，只留了一行注释# TODO: 实现检索逻辑。官方参考实现是纯字符串匹配，下面略作精简。

def retrieve_relevant_poems(problem, knowledge_base, top_k=3):
    import re
    punc = r'[，。、；：！？（）【】\s,._]'

    # 题面第一行就是诗句，取出来去掉标点
    first_line = problem.splitlines()[0]
    clean = re.sub(punc, '', first_line)

    # 切成三个字一组
    tri = lambda t: set(t[i:i+3] for i in range(len(t)-2))
    core = tri(clean)

    # 逐首诗比对，数重合了几组
    scored = []
    for poem in knowledge_base:
        score = sum(len(core & tri(re.sub(punc, '', para)))
                    for para in poem["paragraphs"])
        scored.append((score, poem))

    scored.sort(key=lambda x: x[0], reverse=True)
    return [poem for _, poem in scored[:top_k]]

"绿树村边合"去掉标点后切出"绿树村""树村边""村边合"三组，《过故人庄》里有这句原文，重合3组排第一，被选中。选中的诗连着题目一起喂给模型，模型按[Answer]: C的格式输出答案。

考点：Qwen3-0.6B太小，记不住一百首唐诗，直接问它多半答错。所以要先查再答。这套做法叫检索增强生成，也就是RAG，现在的AI产品普遍在用。

要学什么：Python基本功。这个函数用到的只有字符串处理和集合求交集，不需要任何AI框架，也不需要向量库。除了函数本身，考生还要决定查到的诗怎么摆进上下文，是连作者诗名一起给，还是只给诗句。

大纲管到哪儿

有件容易搞错的事要说清楚：LMCC只有一份大纲，而且只给第一轮配了样题。大纲后面那73页样题，标题写的就是"LMCC第一轮样题"，第二轮既没有样题，也没有单独的考纲。

所以大纲写死的只有两样。一是第一轮20道单选的范围，就是上面那张27条的表。二是提示词工程确实是考点，「提示学习」模块的"提示工程"和"人工提示设计"两条都在表内，第二轮第一题正对着它。

其余都是从2025年那一届真题看出来的：考哪个模型、用什么工具包、第二轮挖哪几个函数，大纲都没规定。第二轮第二题考的检索增强，没有写进青少年组那张27条的表。不过报名通知说第二轮考的是"大模型应用"，RAG正是一种应用，这么看不算超纲。只是那张表背完，不等于覆盖了第二轮。

而且到今天只有一届真题。第一轮有大纲兜着，比较稳；第二轮的形态，明年换个场景、换几个函数都有可能。

要学的东西按顺序排

先是Python。官方在青少年组的编程语言说明里写过，题目"只有Prompt设计的部分，不会涉及太多代码编写的任务"，但要求孩子"了解Python的基本用法，可以运行已经写好的Python代码"。所以不用写算法，得读得懂，还得会处理字符串。

然后把那27条概念过一遍，这是后面所有内容的名词底子。

接着在电脑上真的跑通一个开源模型，练熟transformers那四步。这一步不涉及训练模型。

最后是写提示词和做一次检索问答。找一个小模型，给它一批脏数据，练到它每次都能吐出格式完全一样的JSON，再自己建个小知识库，写个字符串匹配的检索函数接上去。

2025年是第一届，1400多名青少年参加，两轮考完拿到评级的191人，其中优秀3人，良好36人，中等60人，合格92人。2026年这届第一轮9月5日刚考完，1148人报名，第二轮定在10月17日。

青少年组的报名通知里，第二轮写的是"考核大模型应用、训练和微调等实践技能"。2025年那两道题，训练和微调一个都没出现。