GPT

為提升生成式AI系統回應的語境一致性，常會結合哪類模型技術？

1. A決策樹分類器（Decision Tree Classifier）
2. B條件語言模型 (Conditional Language Model)
3. C強化學習 Q-learning 函數模型
4. D基因演算法（Genetic Algorithm）

在保持 GPT-OSS 模型架構不變的前提下，如果將模型參數量從 20 億提升至 120 億，並假設有足夠的訓練資料支撐，下列敘述何者最正確？

1. A模型參數增加會線性提升效能，且即使訓練資料不變也不會遇到瓶頸
2. B參數越多模型推理越快，因為每層可以並行計算更多參數
3. C較大的參數量能提升模型的表達能力與預測效能，但需足夠訓練資料支持
4. D增加參數量不影響記憶體使用，只會影響計算速度

某企業考慮將開源大型語言模型（GPT OSS）自行部署在本地伺服器以取代雲端服務。下列何者最能代表本地部署對企業的實際好處？

1. A可以達到無運算成本，因為本地部署模型不會產生額外的資源消耗
2. B模型的預測能力會比在雲端運行時更精度，因為本地環境更加可靠
3. C可確保輸入模型的敏感資料不會傳輸給第三方，提升資料隱私和自主控制
4. D以上皆是

關於 GitHub Copilot，下列敘述何者正確？

1. AGitHub Copilot 基於程式碼片段查詢工具，透過後端搜尋大型程式碼資料庫提供建議
2. BGitHub Copilot 僅適用於 GitHub 上的開源專案，無法在私有程式碼庫或本地環境中提供程式碼補全建議
3. CGitHub Copilot 利用靜態分析技術分析程式碼，根據邏輯流程推導下一步應寫的程式碼
4. DGitHub Copilot 由 OpenAI 的 Codex 模型提供技術支援，可即時在開發者編輯程式碼時給出整行或整個函式建議

某電商公司導入 Agentic AI 處理客服，發現 Agent 回答 FAQ 常出錯，且無法修改訂單。最可能是缺少哪兩項工具或技術？

1. AAPI 調用（API Calling）＋ 任務規劃器（Task Planner）
2. B向量資料庫檢索（Vector Retrieval）＋API 調用（API Calling）
3. C向量資料庫檢索（Vector Retrieval）＋任務規劃器（Task Planner）
4. D任務規劃器（Task Planner）＋溫度參數（Temperature）設定

某客服自動回應系統希望依客戶群體調整回覆風格，需兼顧即時性與效果，下列哪一種方案最適合？

1. A直接微調預訓練模型針對每個客戶群體分別訓練不同風格模型
2. B利用控制變量（Control Tokens）或風格標籤在同一模型內動態調整風格
3. C利用生成對抗網路（GAN）生成不同風格文本，並透過人工篩選最終答案
4. D採用規則式替換方法，替換回覆詞彙以符合不同風格要求

某公司部署結合 Fine tuning 與檢索增強生成（RAG）的語言模型系統作為內部文件助理。系統需同時確保回覆語氣一致、能即時查詢每日新增文件、維持效能穩定，並避免頻繁重新訓練。在長期維護與效能平衡下，下列哪一種策略最合適？

1. A每週重新 Fine-tune 模型，將新文件整合進模型知識，逐步取代 RAG 模組
2. B完全依靠基礎模型與 RAG，不進行 Fine-tune，僅透過提示設計控制語氣
3. C每日進行增量 Fine-tune，讓模型即時學習新文件內容，避免依賴檢索
4. D保留語氣相關 Fine-tuning，僅透過檢索系統更新文件內容，不頻繁改動模型

某客服系統在回覆「訂單取消政策」時，即使生成溫度固定為 0.6，回覆品質仍常出現差異。調查發現檢索到的政策內容有時是最新版本、有時是過時文件，Prompt 約束不足，微調語料也有模糊描述。若要優先改善品質波動，應先解決哪一項問題？

1. A調整溫度參數，降低生成隨機性
2. B加強 Prompt 設計，限制模型表達方式
3. C優化微調語料，減少含糊描述
4. D提升檢索系統品質，確保取得的政策內容正確且最新

某醫院規劃 AI 專案，希望從胸腔 X 光判斷是否有肺炎徵兆，但誤將生成式 AI 模型用於影像診斷。下列哪一項最可能成為主要風險？

1. A模型在生成報告時語句流暢，但僅在文字表達上有差異，對診斷結果沒有重大影響
2. B模型若資料不足，僅會降低生成報告的完整性，而非影響判斷病灶的正確性
3. C模型偏向生成內容而非分類，但此差異僅影響效率，不會造成誤診風險
4. D模型可能生成與實際影像不符的診斷結論，導致誤判並引發醫療與法律風險

某智慧車載語音助理，可透過語音辨識（ASR）辨識駕駛語音，再由 LLM 生成回答並查詢車載 API。測試中發現：ASR 對汽車專業術語辨識錯誤率高；LLM 的回覆常不精確；系統回覆延遲雖存在但仍可接受。若目標是「優先提升準確性與回答品質」，下列改進步驟的最合理執行順序為何？1. 擴充並標註汽車領域語音資料，微調 ASR 模型 2. 微調 LLM 並加入檢索增強（RAG）3. 優化系統架構，引入批次推論降低延遲 4. 動態調整生成溫度，平衡準確度與多樣性

1. A1 → 2 → 4 → 3
2. B2 → 1 → 3 → 4
3. C1 → 3 → 2 → 4
4. D3 → 1 → 2 → 4

某顧問公司使用生成式 AI 協助撰寫數據分析報告，模型表現優異，但報告多半只套用固定段落結構與替換數值，未展現多樣化推理與分析。最合理的解釋為何？

1. A模型缺乏對字體與排版的優化能力，因此無法展現分析邏輯
2. B測試資料涵蓋過多統計圖表，導致模型無法專注於文字內容的多樣化表達
3. C模型過度依賴訓練語料中的常見報告範式，導致生成結果以樣板化結構取代真正的推理
4. D模型因無法正確辨識報告中的頁碼與標題層級，才出現樣板化的結果

某保險公司計畫導入生成式 AI 的內部合約查詢系統，協助業務員與法務部門快速解讀保單條款與理賠規範。高層特別強調客戶資料隱私與合規風險控管，即使需要投入較多資源，也必須確保資料不會外洩。在此情況下，下列哪一種策略最符合公司的資料安全與合規優先考量？

1. A導入開源模型並由 IT 團隊自建，後續再逐步補強隱私與合規控管
2. B在需求確認階段即納入法遵與稽核單位，設定準確率 KPI，並透過 MVP 驗證成效
3. C優先使用雲端大型 API 模型快速部署，並根據使用數據持續調整
4. D投入資源自訓並私有化部署 LLM，並同步建立自動化風控機制

某電商平台希望商品描述在風格與用詞上保持一致，但不需要新增專業知識。下列哪種方法最適合？

1. A擴充語料庫並微調模型，使風格統一
2. B增加提示詞複雜度，引導模型風格一致
3. C降低生成溫度，以減少隨機性並提升風格一致性
4. D使用全連接神經網路對生成結果後期篩選

某企業已建置 AI 語音記錄系統，希望整合生成式 AI 提供「會議即時摘要」，下列哪一種策略最能提升摘要的語意品質與使用價值？

1. A使用語音轉文字模型即時輸出逐字稿並轉入 GPT 摘要
2. B將語音逐段切分並建立關鍵字索引，以利摘要模型從中擷取核心內容生成會議重點
3. C將語音轉文字後標註發言角色與主題邊界，結合語意分群進行動態摘要
4. D將所有語音內容儲存為完整紀錄，提供事後人工摘要比對用

某大型物流公司導入 AI 改善客服與配送效率，專案團隊規劃以下步驟：1. 建立符合公司服務流程的 AI 對話邏輯與應答範本 2. 明確定義導入 AI 的目標並設定 KPI 3. 蒐集與清理過往客服紀錄與配送相關資料 4. 評估並選擇合適的 AI 技術供應商或開源方案。正確執行順序為何？

1. A2 → 3 → 4 → 1
2. B3 → 2 → 1 → 4
3. C2 → 1 → 3 → 4
4. D1 → 4 → 3 → 2

某跨國電商企業導入生成式 AI，協助處理顧客服務請求，並根據顧客歷史訂單提供個人化建議。資安與法遵部門擔心 AI 在回覆時可能洩漏顧客個資，若要在導入初期優先避免觸法風險，下列哪一項措施最符合要求？

1. A在加密環境下導入完整的顧客訂單與行為資料，並透過嚴格存取控管降低洩漏風險
2. B實施資料最小化與去識別化，確保 AI 在訓練與生成過程中不直接處理或暴露敏感個資
3. C強化模型的回覆審查流程，透過自動過濾與人工抽查結合，降低個資外洩的機率
4. D設定 AI 的角色與回覆範圍，讓其專注於客服相關內容，避免回答其他敏感議題

在企業導入 MLOps 的過程中，除了模型部署與維運挑戰外，仍可能面臨其他推動上的困難。下列何者為 No Code 平台最能有效解決的挑戰？

1. A自動化大量資料的標註與前處理，以降低數據準備成本
2. B提升運算基礎設施的可擴展性，以因應大規模服務需求
3. C透過可視化建模介面，降低技術門檻並促進跨部門協作
4. D提供進階特徵工程能力，優化高維度數據的處理效率

某醫療機構導入生成式 AI 協助撰寫病歷摘要，在技術測試階段，為確保系統能安全應用於臨床，最應優先關注哪一項指標？

1. A資料儲存與存取架構的完整性，確保長期運作過程中的數據可追溯性
2. B生成內容的醫療準確性與臨床一致性，避免出現錯誤或誤導性資訊
3. C模型在不同病例語境下的泛化能力，確保不因個別樣本而偏差
4. D系統回應時間的穩定性，以支援醫療場域中可能的即時需求

在即時客服系統的效能測試中，若針對延遲測試（Latency Testing）進行評估，下列哪一項指標最能反映系統是否符合用戶即時互動需求？

1. AAI 模型在同一分鐘內可完成的回覆訊息數量
2. B客戶從輸入問題到收到第一個完整回應所需的時間
3. C客服系統能連續提供服務的運行時長
4. DAI 產生回答時用詞的多樣性與表達創意程度

在評估 7B、13B、175B 等不同參數規模的語言模型時，模型規模對基準測試（Benchmark）結果的影響，下列說法何者最為恰當？

1. A小模型在正確調整下能超越大模型，因此模型大小並不重要
2. B大模型在多數情境下表現較好，但在特定任務上略遜於小模型
3. C模型規模與基準測試結果完全無關，影響主要來自測試設計
4. D模型越大，Benchmark 結果可能提升，但幅度取決於訓練數據品質與資源配置

下列哪一個資料集專門設計用於測試大型語言模型在多領域、多任務語言理解中，涵蓋人文、科學與社會科學等領域，而非專門用於數學推理或中文專業知識？

1. AMMLU
2. BGSM8K
3. CMATH
4. DC-Eval

某智慧工廠導入生成式 AI 協助工程師產生維修指引與操作建議。下列哪一項並非在系統設計中加入 Guardrails（防護機制）的主要目的？

1. A檢查工程師輸入內容，避免觸發錯誤或危險需求
2. B過濾與驗證 AI 輸出的維修指引，確保符合安全標準
3. C確保生成的操作建議符合法規與產業安全規範
4. D完整重建並追蹤 AI 模型的全部推理過程

小明想開發一個部落格寫作工具，讓用戶輸入文章開頭後，系統自動續寫內容，例如輸入「今天去了台北木柵動物園...」，系統就能續寫。若要實現這樣的功能，最適合選擇哪一類任務？

1. A序列到序列建模（Sequence-to-Sequence Modeling），透過輸入序列產生新的輸出序列
2. B遮罩語言建模（Masked Language Modeling），補齊文字中缺失的詞語或片段
3. C生成式語言建模（Text Generation），依據上下文持續產生新的內容
4. D文本分類（Text Classification），針對輸入文本判斷情感、主題或標籤

某國際銀行導入生成式 AI，用於彙整不同國家金融監管機構的合規規範，建立跨國合規知識庫。由於各國條文表述方式不同，且監管要求具有高度專業性與隱含邏輯，若要確保知識庫在後續查詢與生成報告時能維持正確性與一致性，下列哪一項 AI 能力最為關鍵？

1. A具備跨語言專業術語對齊與條文語意抽取能力，能正確辨識不同國家規範間的對應與差異
2. B能自動最佳化文件檢索效率，縮短跨國法規查詢的延遲時間，提升合規部門使用體驗
3. C能將合規文件轉換為多種輸出形式（如簡報、摘要或法規清單），以符合不同決策層級需求
4. D具備根據歷史案例生成合規解釋的能力，協助新進員工快速理解法規在實務上的應用

某零售企業在建置機器學習模型預測顧客購買機率時, 資料同時包含大量稀疏類 別特徵與數值型特徵。 團隊希望模型既能學習過去已出現的特徵組合規律,也能 對未出現的特徵組合做出合理預測。下列哪一種模型架構最適合此類需求?

1. A線性迴歸(Linear Regression)
2. B決策樹(Decision Tree)
3. C支援向量機(Support Vector Machine, SVM)
4. D寬深模型(Wide and Deep)

某企業導入生成式 AI (Generative AI)系統自動產出會議摘要,並規劃額外建置 一套AI 系統,用於評估摘要內容的正確性與完整性。下列何者為此 AI 系統的核 心目標?

1. A自動新增專業名詞與技術指標
2. B判斷摘要是否遺漏關鍵資訊或出現語意錯誤
3. C調整語音轉文字結果
4. D自動標註摘要的關鍵字與主題標籤

ChatGPT、Gemini 等對話型生成式 AI 工具所依據的基礎模型技術,下列何者正 確?

1. A決策樹(Decision Tree)
2. B大型語言模型(Large Language Model, LLM)
3. C生成對抗網路(Generative Adversarial Network, GAN)
4. D圖卷積網路(Graph Convolutional Network, GCN)

某企業導入大型語言模型作為客服助理。模型已具備穩定語言能力,但在回覆偏 好一致性與組織規範遵循方面仍需優化,團隊因此規劃導入人類反饋強化學習 (RLHF)流程,下列何者最不屬於 RLHF 階段的典型技術活動?

1. A透過人工評估方式建立偏好資料,使模型的不同候選輸出可反映人類主觀品質 差異
2. B訓練一個能依據人類偏好判斷輸出品質的模型,作為模型優化過程中的回饋依 據
3. C依據品質評估結果,調整模型生成策略,使其輸出更符合偏好導向的行為表 現
4. D以未標註語料為主進行長週期表示學習訓練,以提升模型基礎語言建模能力

在大型語言模型(LLM)的效能優化中,Flash Attention 常被用來改善 Transformer 注意力機制的運算效率。關於 Flash Attention 的主要效益,下列敘述何者最正確?

1. A透過忽略影響較小的注意力權重,減少模型需要計算的關聯數量,以降低運算 成本
2. B透過調整注意力計算與資料處理方式,減少中間結果的儲存需求,進而改善速 度與資源使用效率
3. C透過增加注意力計算的並行程度,使模型可同時處理更多注意力頭部
4. D透過將注意力結果暫存於高速快取記憶體,以避免重複計算造成延遲

某企業導入生成式AI系統,希望自動產出客服回覆與內部文件摘要。系統需能理解使用者輸入的完整語句內容,並在回覆中維持語意連貫,即使對話內容較長仍能保持上下文一致性。基於上述需求,下列何種模型架構最為適合?

1. A卷積神經網路(Convolutional Neural Network, CNN)
2. B遞迴神經網路(Recurrent Neural Network, RNN)
3. C基於 Transformer 架構的自迴歸模型(Autoregressive Model)
4. D生成對抗網路(Generative Adversarial Network, GAN)

在生成式 AI文字生成模型設計中,Encoder–Decoder 與 Decoder-only 為常見架構。下列何者最能正確說明兩者在資訊處理與生成機制上的核心差異?

1. AEncoder-Decoder 透過編碼與解碼階段處理序列,Decoder-only 則以單一模型完成處理
2. BEncoder-Decoder 區分輸入理解與內容生成階段,Decoder-only 以單一模型同時處理上下文與生成
3. CDecoder-only 架構主要依賴外部知識檢索,Encoder-Decoder 則不需要
4. DEncoder-Decoder 架構僅適用於翻譯任務,Decoder-only 架構較適合對話任務

關於 ChatGPT、Anthropic Claude、GitHub Copilot 等 AI 程式碼輔助工具的運作原理,下列敘述何者正確?

1. A這些工具基於大型語言模型,經由大量程式碼與文本訓練,透過預測下一個符號來生成程式碼,但不保證產生程式碼的正確性
2. BGitHub Copilot 會在提供程式碼建議前執行並驗證該程式碼,確保其執行結果正確無誤
3. CAnthropic Claude 的程式碼建議並非即時生成,而是從事先整理的已知解答資料庫中檢索而得
4. DChatGPT 內建完整的編譯器,可在輸出程式碼前自動編譯並更正所有語法與邏輯錯誤

某新創公司採用 MVP (Minimum Viable Product)策略,導入 Vibe Coding 以加速開發,雖然初期能快速產出可運作功能,但技術主管提醒,在正式上線前仍可能存在程式碼品質與安全風險。下列哪一項措施最合理,以降低品質與安全問題?

1. A直接沿用 AI 生成程式碼至正式環境,以降低開發成本
2. B持續優化提示詞,即可避免大部分品質問題
3. C將生成程式碼納入審查、重構與安全測試流程
4. D限制開發者修改 AI 生成之程式碼架構,以維持一致性

在規劃生成式 AI 解決方案時,下列何種應用場景最適合採用 GPT-Realtime 類型模型?

1. A需長時間批次處理的大規模報表生成任務
2. B即時資料查詢與結構化資訊檢索系統
3. C即時語音客服與互動式 AI 代理
4. D以高一致性為優先的法規文件自動摘要

關於 2025 年 OpenAI 提供的 AgentKit,下列何者最能描述其主要用途?

1. A建立強化式學習(Reinforcement Learning)訓練所需的互動式模擬環境
2. B提供代理(Agent)模型的大規模預訓練與權重優化機制
3. C「Agent-to-Agent」的代理通訊協議
4. D支援 Agents 的建構、工具整合與任務流程開發

某市政府交通局計劃導入生成式 AI 技術來自動生成公車到站時間預測的文字報告,每日需處理約50萬筆交通資料並生成 1000 份報告。在評估導入成本時,團隊希望進行 Token Economics 分析(指模型推理與生成過程中,Token 使用量及其費用)。下列何者不屬於 Token Economics 的考量範圍?

1. A每次 API 呼叫所需的輸入 Token 數量
2. B生成報告內容所消耗的輸出 Token 費用
3. CAI 模型訓練階段使用 Token 數量所需的 GPU 記憶體成本
4. D模型推理過程中的 Token 使用量統計

某企業導入大型語言模型(LLM)進行客服自動化,並已透過 Fine-Tuning 學習企業標準問答範例,但在實務運作中仍出現回應策略未符合服務優先順序及語氣與品牌風格不一致的情況,因此技術團隊建議再導入 Reinforcement Fine-tuning(RFT)機制進行優化,其主要目的為何?

1. A擴展模型的知識涵蓋範圍與資料記憶能力
2. B透過 reward 訊號調整模型回應策略與行為偏好
3. C提升模型推論速度與降低回應延遲
4. D降低 prompt 設計複雜度並取代訓練流程

某智慧製造廠導入語音互動 AI 助理,作業人員可透過語音查詢設備狀態與操作指引。系統流程包含語音轉文字、語言模型生成回覆,以及即時查詢內部系統資料。測試結果顯示:語音轉文字在專業設備術語上錯誤率偏高;語言模型回覆偶有內容不夠精準;系統整體回應速度略慢但仍在可接受範圍。若專案目標為優先確保正確執行指令,下列改進措施的執行順序何者最合理?

1. A優化語言模型 → 強化語音模型 → 優化系統效能 → 調整生成參數
2. B強化語音模型 → 優化語言模型與知識補充 → 調整生成參數 → 優化系統效能
3. C優化系統效能 → 強化語音模型 → 優化語言模型與知識補充 → 調整生成參數
4. D強化語音模型 → 優化系統效能 → 優化語言模型與知識補充 → 調整生成參數

某AI 研究團隊採用GRPO（Group Relative Policy Optimization）作為一種基於強化學習的模型優化方法，用於提升大型語言模型的表現。請問GRPO 最適合用來強化模型在哪一類任務上的表現？

1. A判斷客服留言的情緒傾向，將每則訊息快速歸類為正面、負面或中性；
2. B將客服電話錄音即時轉換為文字，供後續人工審閱使用；
3. C針對數學應用題或邏輯謎題，逐步推導出正確解答；
4. D分析商品圖片的外觀特徵，自動辨識類別與品項

小明在2025 年使用AI 模型，將自己的照片轉換為公仔風格影像。該模型在維持生成品質的同時，也能在模型規模較大的情況下兼顧運算效率。下列何者最能敘述此模型可能採用的設計方式？

1. A基於單一稠密Transformer 架構，每次運算都使用全部模型參數；
2. B採用稀疏專家混合（Sparse Mixture-of-Experts）架構，每次僅使用部分模型來提升效率；
3. C採用生成對抗網路（GAN），透過兩個模型互相比較來提升影像品質；
4. D採用卷積神經網路（CNN），直接進行影像轉換

某大型語言模型（LLM）在訓練過程中，研究人員發現模型在生成文本時，長期集中產生少數幾種相似的回應形式，缺乏多樣性。下列何者最能說明此現象及其可能原因？

1. A過度擬合（Overfitting）；
2. B模式崩潰（Mode Collapse）；
3. C梯度消失（Vanishing Gradient）；
4. D模型收斂速度（Convergence Rate）

某保險公司導入具備延伸推理（Extended Thinking）功能的推理型語言模型，用於處理理賠申請的合規審查。審查團隊發現：簡單案件只需快速比對幾項條款，但複雜案件需要多層次的法規詮釋與過往案例比對。產品負責人希望系統能依案件複雜度自動調整模型的推理深度，以在品質與成本之間取得最佳平衡。此需求最核心涉及的系統設計概念是什麼？

1. A針對不同案件調整模型的溫度參數（Temperature），以控制回應的隨機性與多樣性；
2. B針對複雜案件改用參數規模更大的模型版本，以確保推理品質；
3. C依案件複雜度動態設定模型在推理過程中可使用的最大思考資源上限（如Token 預算），以平衡推理深度與成本效率；
4. D在提示詞（Prompt）中增加更多說明與範例內容，以提升模型對複雜案件的理解能力

某使用者在操作ChatGPT 時，要求系統「產生一張簡報架構圖」。模型隨即輸出一段具有固定語法規則的結構化文字（例如可用來描述流程或架構的標記語言），並可進一步渲染為圖表，而非僅生成文字描述。請問此能力最主要源自模型在預訓練階段大量接觸下列哪一類型的資料？

1. A大量不同風格的繪畫與平面設計作品；
2. B大量文件與文章內容；
3. C大量表格資料與半結構化報表；
4. D大量程式碼與結構化標記語言文本

一家新創公司希望對 Llama3 70B 模型進行領域微調（Domain Fine-Tuning）以建立企業專用助理，但 GPU記憶體有限，無法支撐完整模型的反向傳播梯度計算。工程師希望凍結（freeze）原模型權重、僅訓練少量額外參數的前提下，評估採用LoRA（Low-Rank Adaptation）方案。請問 LoRA在此場景下的主要優勢為何？

1. A透過知識蒸餾（Knowledge Distillation）將70B 模型壓縮為較小的學生模型
2. B對原始模型各層權重進行剪枝（Pruning），移除低重要性參數後再進行微調
3. C凍結原始預訓練權重，僅在各層加入低秩分解的可訓練矩陣，大幅降低可訓練參數量與 GPU記憶體需求
4. D將模型中的注意力機制改為稀疏注意力（Sparse Attention），以降低長序列計算成本

某工程師計劃將通用 LLM 在醫療問答語料上進行監督微調（Supervised Fine- Tuning, SFT），但發生了災難性遺忘（Catastrophic Forgetting）問題。在計算資源有限的情況下，工程師希望透過調整微調策略來緩解此問題。下列哪一種訓練設計最能有效率地學習新任務的同時保留原有能力？

1. A凍結大部分預訓練參數，僅對少量新增模組（如 LoRA層）進行微調，並控制更新範圍以減少對原有知識的干擾
2. B提高學習率（Learning Rate）並縮短訓練步數，使模型快速收斂至新任務，避免長時間訓練造成遺忘
3. C僅使用醫療語料進行多輪訓練，強化模型對新任務的專注程度
4. D增加批次大小（Batch Size）以穩定梯度更新，使模型同時保留舊知識與學習新知識

某團隊使用 LoRA微調大型語言模型進行法律摘要任務，發現模型在複雜條款的摘要上常出現內容遺漏，但 GPU 顯存已接近上限。下列哪種調整方式最能在不明顯增加記憶體使用的前提下改善模型表現？

1. A提高 LoRA rank 以增強模型表達能力
2. B改用完整微調（Full Fine-tuning）以學習更多細節
3. C降低 LoRA rank以釋放記憶體並增加 Batch Size
4. D降低 LoRA rank 但套用到更多層，保持 trainable總參數不變