资源简介

试卷类型：A
再次，开放共创的知识平台，数字时代的知识生产更加开放。例如上海图书馆建立
高三四轮检测
历史文献众包平台，招慕志愿者在线抄录和标注馆藏档案，使市民成为文化知识生产者。
这类协作在学术界也浙受重视。I可助力校对、纠错戎智能推荐任务。在AI支持下，知
识生产将实现专业与大众的更紧密协作。
语文试题
知识空间的这种变化要求我们必须提升问题意识，因为大模型等通用人工智能可以
2026.05
帮助我们解决问题，但无法代替我们发见问题。拥有问题意识的我们才是指今的发出者
和结论的决定者。
(摘编自牛力（当数字人文遇见大模型）（光明日报）2025年8月)
本试卷共150分，考试时间150分钟。
材料二：
人工智能飞速融入日常，大摸型作为人工智能最主要的价段性成果，已成为人们茂
注意事项：
取信息、辅助决策、创作内容的重要工具。很多人以为，大接型没有情绪、没有立场、没有
1.答卷前，考生务必将自己的姓名和座位号填写在答题卡上。
私心，输出内容理应客观公正，然而，近日有煤体报道的A“投毒”黑产，揭开了生成式A
2.回答选择题时，选出每小题答案后，用铅笔把答题卡对应题目的答案标号涂黑。
商业化进程中的灰色地带。事实上，大模型从诞生到应用，从来都不是客观中立的存在，
如需改动，用橡皮擦干净后，再选涂其它答案标号。回答非选择题时，将答案写在答题卡
而是人类社会、技术规则与用户偏好三重倾向共同塑造的“数宇投影”。
上。写在本试卷上无效。
“机器无情感，是客观的”，是当下对人工智能最普遮的误解之一。这种误解忽略了
3.考试结束后，将本试卷和答题卡一并交回。
一个核心辽辑：大模型的一切能力，都源于对人类数据的学习，它不会凭空产生“思想”，
只会复刘、整合、放大训练过程中接收到的信息与倾向。大模型的“不中立”，并非技术块
一、阅读(72分)
陪，而是由数据、训练、使用三个环节共同决定的必然结果。
(一)阅读I(本题共5小题，19分)
首先，训练数据自带偏见，AI学的就是“不完美的人类”。因此，大模型是社会偏见的
阅读下面的文字，完成1-5题。
“镜子”，甚至可能是“放大镜”“哈哈镜”。大模型的知识体系，建立在海量文本、书籍、新
材料一：
闻、论坛、网页等数据之上。这些数据不是凭空产生的，而是人类社会的数字化记录。而
知识空间指的是文化知识生产与传播的领城。在AI技术推动之下，知识空间正从静
人类社会从来都不是绝对的，文化差并、历史叙事差异等都早已渗透在文字与表达中。
态封闭走向动态开放。
模型一边学习语言规律、知识关联，一边会不自凳地内化其中的“偏见”。如果部分
首先，数据驱动发现新知，数宇人文通过数据分析，发现以前无法观茶到的隐含模
数据对某一再体、性别、地拔、文化带有负面描述，模型在无千预情况下，就可能输出歧
式。例如，研究者用计算机分折了晚清名臣曾国德的日记、书信等文本，绘制出其人际交
视。它不会主动判断“对错”，只连循数据里的概率。
往网络图，揭示了以往史书未详载的复杂关系。又如唐宋文学编年地图项目，通过GS地
其次，对齐过程植入价值观，让大模型自带“立场倾向”。为了让模型更安全、更有用、
理信息系统把古代诗人的活动投射到地困上，“让历史动起来”，清晰展现诗人迁徙路线、
更符合人类标准，开发者会通过RLHF(基于人类反黄的强化学习)等技术进行“对齐”。简
创作地点和群体互动，深化了对文学场战和文坛生态的认识。这正是数据驱动知识发现
单说，就是让标注员对摸型的不同输出站采进行排序或者打分，判断哪个更有用、更无害、
的典型例证。
更得体。这个对齐过程，看似在追求“规范”，实则是把人类的价值观植入模型。
其次，参与知识重构与再创，AI能基于知识进行再创造，“让知识自己说话”。例如，
标注员的文化背景、教有水平、道德观念、地域立场，都会直接影响“好答案”的评判
交互式图像描述工具：用户用鼠标点击图像细节，触发I用自然语言描迷，并可指定风格
标准。不同文化对同一议题的看法可能天差地别。当标注人员背景趋同、视角单一时，
或要求背景讲解。这启发我们，未来博物馆、美术馆里的文物和绘画，都可能配置类似功
模型就会偏向这一群体的价值观。这种价值观不是极端的，而是润物细无声的一在社
能。知识由此被重新组织、加工和传格，进入“动态智慧”新范式。
会议题、文化判断、道德选择中，悄悄偏向某一种共识，忽略其他合理视角。
高三语文试题第1页（共10页）
高三语文试题第2页（共10页）

展开更多......

收起↑