想象你是一名资深侦探。案发现场（文档）里躺着一份写满线索的报告（原文），上级给你丢来一个任务：“报告里，嫌疑人的作案时间到底是几点几分？”你的工作不是凭记忆编造，而是拿起一支荧光笔，在报告中精确地圈出那句话——“晚上十点三十分”。圈出来就行，不用改写，不能发挥。 这就是“抽取式机器阅读理解（MRC）”的本质。机器读完一篇文章，面对一个问题，不做想象、不做翻译，只做一件事：从原文中找出答案所在的连续片段，圈出它的起点和终点。就像侦探用荧光笔在报告上画一道线。传统方法像雇佣十个实习生去翻报告，费时费力；而现代做法是派出一个叫 BERT 的双向超级侦探，它目光如炬，一眼看遍全文，再精准圈出答案。 但进阶之路远不止“圈线”这么简单：怎么让侦探理解上下文？怎么决定线的起点和终点？如果现场根本没有这个线索，侦探该不该如实说“查无此证”？如果线索散落在多个现场，又该如何联合排查？这篇文章，我们就陪这位“BERT 侦探”完整走一遍进阶之旅。

岗位关联

对 AI 从业者而言，MRC 是问答系统、智能客服和知识抽取的基石技术。掌握答案边界预测、拒答机制与多文档处理，就等于掌握了构建高精度 NLP 系统的核心手艺。

目录
  1. 可视化演示
  2. 任务定义
  3. BERT编码
  4. 边界预测
  5. 损失函数
  6. 不可回答
  7. 多文档处理
  8. 评估指标
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

本节配有交互动效（进入视口后自动加载，约 3KB）。

任务定义

接到报案后，侦探的第一件事是明确任务书：现场是哪份报告？要回答什么问题？答案是写在纸上的原话，还是要自己发挥写一篇作文？抽取式 MRC 的任务书只有三行——输入一篇文档 C 和一个问题 Q，输出答案在文档中的起点位置 i 和终点位置 j。这个片段必须是原文里的连续字符串，就像侦探圈出的那句“晚上十点三十分”，一个字都不能改。

与之相对的是生成式阅读理解：模型像一位作家，看着报告后自己组织语言写出答案摘要。抽取式更像是“复制粘贴”，生成式更像是“转述创作”。两者各有分工：需要引经据典、逐字考据的场景（合同条款、法律条文）用抽取式更可靠；需要总结概括的场景（新闻摘要）则生成式更合适。理解了这一层，你就明白为什么 MRC 圈子里常说“找答案”而不是“想答案”。

在实际系统中，问答任务被形式化为一个条件概率问题：给定问题 Q 与文档 C，求最可能的答案区间。这个区间用一对整数 (i, j) 表示，i 是起点 token 下标，j 是终点 token 下标，且满足 0 ≤ i ≤ j < len(C)。模型的全部任务就是预测这两个数的取值。

回到侦探的视角：任务定义就是“圈定现场范围”。明确了从哪份报告找、以什么形式提交答案，后面的所有高级技巧——BERT 编码、边界预测、拒答机制——都是为了让这一笔荧光笔落得更准。

P(a∣Q,C)=P(i,j∣H)P(a \mid Q, C) = P(i, j \mid \mathbf{H})
答案区间的概率由起点和终点位置共同决定，对每个位置都要计算分数。
  1. 条件概率含义P(i, j | H) 表示在给定文档编码向量 H 的条件下，答案起点为 i、终点为 j 的概率。
    P(i,j∣H)P(i, j \mid \mathbf{H})
  2. 区间约束i ≤ j 保证了答案片段是连续的，不会出现“倒着读”的答案。
    0≤i≤j<len(C)0 \leq i \leq j < \text{len}(C)
  3. H 的含义H 是文档经过编码器后每个 token 的向量表示，携带着上下文信息。
    H=[h1,h2,…,hn]\mathbf{H} = [\mathbf{h}_1, \mathbf{h}_2, \ldots, \mathbf{h}_n]

BERT编码

侦探拿到了任务书，但报告有三千字，问题提到了“嫌疑人”这个词。如果只盯着这个词看，很容易忽略它在后文中多次出现的指代。传统方法（如 BiDAF 等词向量模型）像拿着放大镜逐词打量，对一词多义和指代关系常常犯迷糊。而 BERT 这座“双向探照灯塔”同时照亮整个句子：每个词都能“看见”它左边和右边的所有邻居，从而在上下文中确定自己此刻的含义。

实际操作时，我们将问题和文档拼接成一段输入：[CLS] 问题 [SEP] 文档 [SEP]。CLS 像一个会议主持人，站在开头汇总全场信息；两个 [SEP] 像分隔符，把“提问区”和“现场报告区”清晰分开。BERT 内部的多层 Transformer 逐层传递信息，最终输出每个 token 的向量表示 h₁ 到 hₙ。这些向量不再是孤立的词，而是“戴着上下文眼镜”的语义编码。

这就是 BERT 编码的核心价值：它把原始文本变成了携带双向语义的向量序列。对 MRC 任务而言，这个向量序列就是后续起点终点打分的地基。实验中一个直观感受是：同一句话在问句中出现和在文档中出现时，BERT 会给它们织入不同的上下文含义——这正是“探照灯”双向照明的效果。

侦探的“探照灯塔”建好了——每一盏灯都照亮全场。接下来，他就要举起荧光笔，在这片被照亮的现场里扫描答案的起点了。

ht=BERT(t∣[CLS]Q[SEP]C[SEP]),t=1,…,n\mathbf{h}_t = \text{BERT}(t \mid [\text{CLS}] Q [\text{SEP}] C [\text{SEP}]), \quad t = 1, \ldots, n
每个 token 经过 BERT 后都得到融合了全文信息的向量表示。
  1. 输入拼接问题和文档按顺序拼成一个序列，句首加 CLS 标记。
    [CLS]Q[SEP]C[SEP][\text{CLS}] Q [\text{SEP}] C [\text{SEP}]
  2. 逐词编码每个位置 t 通过多层 Transformer 编码，得到 h_t。
    ht=BERT(tokent∣input)\mathbf{h}_t = \text{BERT}(\text{token}_t \mid \text{input})
  3. 语义融合h_t 聚合了左右两侧所有词的信息，不再孤立。
    ht=f(ht−1,ht+1,…)\mathbf{h}_t = f(\mathbf{h}_{t-1}, \mathbf{h}_{t+1}, \ldots)

边界预测

灯塔照亮全场后，侦探举起荧光笔。他先问：“答案的第一个字最可能在哪？”然后逐个 token 打分：这个位置像不像起点？那个位置像不像起点？打分最高的 token 就是起点。紧接着，从起点出发向右看：“答案的最后一个字在哪？”同样逐个打分，选出终点。两个分数一组合，一条荧光笔线就画出来了。

技术实现上，我们为起点和终点各训练一个打分向量（权重矩阵 S 和 E）。对于每个 token，用它的编码向量 hᵢ 与打分向量做点积，得到一个原始分数。这些分数经过 softmax 归一化，变成概率分布。起点概率 P_start(i) 表示“第 i 个 token 是答案起点”的概率，终点同理。

联合解码时，我们通常要求 i ≤ j，然后在所有满足条件的 (i, j) 对中找起点概率与终点概率乘积最大的那一个。有时候还要加上区间长度惩罚（如 +λ·(j-i)），避免模型偏爱过长或过短的区间。这个“起点概率 × 终点概率”的联合打分，就是抽取式 MRC 最核心的解码逻辑。

侦探的荧光笔现在拥有了“双段式瞄准”：先确定起点，再锁定终点。两条线一夹，答案的边界就水落石出。

P_{\text{start}}(i) = \frac{\exp(S^{\top}\mathbf{h}_i)}{\sum_{k=1}^{n} \exp(S^{\top}\mathbf{h}_k)}, \quadP_{\text{end}}(j) = \frac{\exp(E^{\top}\mathbf{h}_j)}{\sum_{k=1}^{n} \exp(E^{\top}\mathbf{h}_k)}
起终点概率分别通过对打分向量与编码向量做点积再 softmax 得到。
  1. 起点打分S 是一个可学习的向量，与每个 token 的 h_i 做点积，得到该位置作为起点的原始分数。
    scorestart(i)=S⊤hi\text{score}_{\text{start}}(i) = S^{\top}\mathbf{h}_i
  2. softmax 归一化将一排原始分数映射成概率分布，总和为 1。
    Pstart(i)=escore(i)∑kescore(k)P_{\text{start}}(i) = \frac{e^{\text{score}(i)}}{\sum_k e^{\text{score}(k)}}
  3. 终点对称计算用另一个向量 E 对每个位置计算终点得分并归一化。
    Pend(j)=eE⊤hj∑keE⊤hkP_{\text{end}}(j) = \frac{e^{E^{\top}\mathbf{h}_j}}{\sum_k e^{E^{\top}\mathbf{h}_k}}

损失函数

荧光笔已经学会了瞄准，但“瞄准”这个动作本身需要一场严格的射击训练。训练时，数据集里每个样本都标好了标准答案的起点 g_s 和终点 g_e。模型要让真实的起终点概率尽可能大——也就是说，侦探射出的每一枪都应落在靶心附近。衡量偏离程度的尺子叫负对数似然损失。

直觉是这样理解的：如果模型给真实起点打出的概率是 0.9，说明它很有把握，损失就小（-log 0.9 ≈ 0.1）；如果只打出 0.1，说明它犹豫不决，损失就大（-log 0.1 ≈ 2.3）。模型的训练目标就是把所有样本的损失压到最低。因为起点和终点都要预测，最终损失是两者之和，像两个科目都要及格一样。

反向传播时，梯度会告诉每个参数“往哪个方向调一点，能让损失降一点”。BERT 底层的参数同样参与更新，这被称为端到端联合微调。这也是 MRC 进阶的关键所在：不是只学起终点打分层，而是连同整个 BERT 一起调整，让“阅读理解”本身也变得更贴合任务。

训练场上的无数次瞄准，让侦探的荧光笔从“大概知道方向”进化到“枪枪命中靶心”。下一关的挑战则是：当现场根本没有线索时，侦探该不该交白卷？

L=−log⁡Pstart(gs)−log⁡Pend(ge)\mathcal{L} = - \log P_{\text{start}}(g_s) - \log P_{\text{end}}(g_e)
训练目标是让真实答案起点和终点的概率同时最大，等价于让损失最小。
  1. 起点损失项真实起点 g_s 的概率取负对数，概率越大损失越小。
    −log⁡Pstart(gs)- \log P_{\text{start}}(g_s)
  2. 终点损失项真实终点 g_e 的概率取负对数。
    −log⁡Pend(ge)- \log P_{\text{end}}(g_e)
  3. 联合损失两项相加，简洁地表达“起点终点同时要准”的要求。
    L=Lstart+Lend\mathcal{L} = \mathcal{L}_{\text{start}} + \mathcal{L}_{\text{end}}

不可回答

新手侦探最容易犯的错，是面对“报告里根本没写”的问题也要强行圈一段答案。比如问“嫌疑人的鞋子是什么颜色”，而报告通篇只提了外套颜色。强行圈个答案，反而暴露了不专业。进阶的 MRC 必须学会一个优雅的退场：判定此题为不可回答，然后如实拒答。

技术上的做法是引入一个“无答案”特殊位置，用特殊的 CLS 标记输出来代表“空区间”的得分。推理时，模型先找出所有候选区间中得分最高者（称为 best span），再把它与“空区间”的得分做对比：如果最佳区间的得分减去空区间得分没有超过某个阈值 τ，就认为是不可回答问题，返回“无答案”；反之才返回找到的区间。

这就像侦探在现场兜了一圈，发现根本没有鞋子的线索，他拿起对讲机汇报：“现场查无此证，建议从其他方向侦查。”阈值 τ 是一个超参数，调大调小会影响模型“惜字如金”还是“强行作答”的倾向。SQuAD 2.0 这个著名数据集正是靠这种“可回答 + 不可回答”混合设计，逼着模型学会权衡。

“查无此证”不是能力不足，而是判断力的体现。一个成熟的 MRC 系统，要像老练的侦探一样懂得知进退。

a^={∅,if max⁡i≤js(i,j)−snull<τarg⁡max⁡i≤js(i,j),otherwise\hat{a} = \begin{cases} \varnothing, & \text{if } \max_{i \le j} s(i, j) - s_{\text{null}} < \tau \\ \arg\max_{i \le j} s(i, j), & \text{otherwise} \end{cases}
如果最优区间得分与空区间得分的差距小于阈值，就输出无答案。
  1. 最佳区间得分在所有 i ≤ j 的候选中找得分最高的区间。
    max⁡i≤js(i,j)\max_{i \le j} s(i, j)
  2. 空区间得分用 CLS 标记的向量算出一个“无答案”得分 S_null。
    snull=Linear(hCLS)s_{\text{null}} = \text{Linear}(\mathbf{h}_{\text{CLS}})
  3. 阈值判断两者差值小于 τ 则拒答，否则正常输出区间。
    max⁡s(i,j)−snull<τ⇒answer=∅\max s(i,j) - s_{\text{null}} < \tau \Rightarrow \text{answer} = \varnothing

多文档处理

有些案件涉及多个现场：嫌疑人在 A 报告里出现了行踪，在 B 报告里出现了作案工具，在 C 报告里又提到时间点。MRC 的进阶难题之一就是多文档联合阅读：答案可能散落在多个文档中，每个文档单看都不完整。侦探需要把所有现场的报告都摊在桌上，交叉比对。

工程上最常用的策略是滑窗截断：BERT 有最大输入长度限制（通常是 512 token），如果文档太长，就按窗口切成多个片段，每个片段与问题拼接后单独预测答案区间，最后汇总所有片段的候选答案。汇总时，不同窗口可能给出同一个答案的不同截断版本，于是需要去重与重排——用答案的字符串精确匹配或 F1 相似度合并重复项，再按预测得分排序，取最可信者。

这个“切块 - 各自预测 - 合并排序”的流水线，像侦探团队分工：每个小分队负责一个现场，各自圈出可能的线索，回到指挥部再把所有圈出的线索拼成完整的证据链。另一种更新颖的思路是用“证据句子选取”先把不相关的文档过滤掉，再对精选段落做精细抽取，效率更高。

多现场联合排查，让侦探的视野从“一屋一室”扩展到“全城联动”。靠的不仅是更长的探照灯，更是聪明的分工与汇总策略。

Scorefinal(a)=max⁡窗口 w∈WindowsPstart(iw)×Pend(jw)\text{Score}_{\text{final}}(a) = \max_{\text{窗口 } w \in \text{Windows}} P_{\text{start}}(i_w) \times P_{\text{end}}(j_w)
每个窗口独立预测答案，最终答案取所有窗口中联合得分最高者。
  1. 窗口划分长文档按长度切分为若干不重叠（或部分重叠）的窗口。
    C→[Cw1,Cw2,…,Cwm]C \rightarrow [C_{w_1}, C_{w_2}, \ldots, C_{w_m}]
  2. 窗口内打分每个窗口独立计算答案区间的联合概率。
    Pw=Pstart(iw)×Pend(jw)P_w = P_{\text{start}}(i_w) \times P_{\text{end}}(j_w)
  3. 全局取最大最终答案来自得分最高的那个窗口。
    Scorefinal=max⁡wPw\text{Score}_{\text{final}} = \max_{w} P_w

评估指标

侦探勤勉工作，总得有个衡量标准来判断他圈得准不准。在 MRC 领域，两把权威的“成绩尺”是 EM（Exact Match，完全匹配率） 和 F1（词级重合度）。

EM 是一把严苛的尺子：模型预测的答案字符串与标准答案必须逐字完全相同才算对，多一个字少一个字都算错。它像考试中的填空题，答案必须一字不差。F1 则温柔一些：它把预测答案和标准答案都拆成词的集合，看两者重叠多少，用“召回率（该圈对的圈对了多少）”和“精确率（圈出来的内容里有多少是对的）”求调和平均。F1 分数高说明“虽不完美，但大方向对了”。

实际项目里两者通常一起看：EM 反映系统的“硬准确率”，F1 反映系统的“软质量”。SQuAD 榜单上顶尖模型 EM≈87%、F1≈93%，意味着近九成问题能够原原本本圈对，剩下那些即便没圈得完美，也大多八九不离十。指标不是目的，但它们像侦探考勤表上的星星，时刻提醒我们：模型真正学到了多少？

成绩尺就位，侦探的每次出勤、每笔圈画都有了客观评价。从任务定义到评估指标，这位 BERT 侦探终于完成了进阶的全部修炼。

F_1 = \frac{2 \times P \times R}{P + R}, \quadP = \frac{|A_{\text{pred}} \cap A_{\text{gold}}|}{|A_{\text{pred}}|}, \quadR = \frac{|A_{\text{pred}} \cap A_{\text{gold}}|}{|A_{\text{gold}}|}
F1 是精确率与召回率的调和平均，词级别衡量预测答案与标准答案的重合度。
  1. 精确率 P预测答案的词中有多少比例在标准答案中——“圈出的东西里，对的占多少”。
    P=∣Apred∩Agold∣∣Apred∣P = \frac{|A_{\text{pred}} \cap A_{\text{gold}}|}{|A_{\text{pred}}|}
  2. 召回率 R标准答案的词有多少被预测覆盖了——“该圈的东西，圈到了多少”。
    R=∣Apred∩Agold∣∣Agold∣R = \frac{|A_{\text{pred}} \cap A_{\text{gold}}|}{|A_{\text{gold}}|}
  3. 调和平均P 和 R 的调和平均，防止偏科，只有两者都高 F1 才高。
    F1=2PRP+RF_1 = \frac{2PR}{P + R}

AI 应用场景

智能客服工单自动定位

阶段：在线问答与信息抽取

解决的问题：传统客服需要人工翻阅冗长的产品或协议文档，才能回答“我们产品的保修期是多久”这类问题。有了抽取式 MRC，系统直接定位到合同原文中的“保修期为十二个月”对应片段，答案有据可查。与生成式模型相比，抽取式杜绝了模型“编造条款”的风险，这在法律和售后场景极为关键。

具体案例：某电商平台接入 BERT-MRC 问答模块后，用户提问“退换货的运费谁承担”，系统从《售后服务政策》中抽取“非质量问题退货，运费由买家承担”这一原始句子作为答案，并附上原文截图，用户问题解决率提升 31%。

医疗文献证据检索

阶段：循证医学信息抽取

解决的问题：医生检索“二甲双胍对糖尿病患者的肾功能影响”时，传统关键词搜索返回整篇论文，阅读成本高。抽取式 MRC 直接给出论文中关于肾功能指标的原始描述段落，医生可快速核对数据与结论，避免生成式摘要造成的原文信息失真。

具体案例：某医学知识平台将 PubMed 摘要作为文档库，构建 MRC 问答接口。当医生提问“奥希替尼的常见不良反应”，系统从多篇文献中分别抽取相关句子并融合去重，按证据强度排序输出，附带每句话的来源文献链接，供医生判断参考。

Python 演示

python66 行
import numpy as np class SimpleExtractiveMRC:    """一个极简化的抽取式MRC Demo，模拟BERT输出logits后进行边界预测。"""     def __init__(self, vocab):        self.vocab = vocab  # 词表        self.null_threshold = 0.5  # 拒答阈值     def encode(self, text):        return text.split()     def _score(self, tokens):        """模拟BERT编码后的起终点打分（仅做Demo演示）。"""        n = len(tokens)        start_logits = np.array([0.5 + 0.1 * i for i in range(n)])        end_logits = np.array([0.5 + 0.1 * i for i in range(n)])        return start_logits, end_logits     def _softmax(self, x):        e = np.exp(x - x.max())        return e / e.sum()     def predict_span(self, context, question):        """预测答案区间，返回(start, end)索引；不可回答时返回None。"""        tokens = self.encode(context)        q_words = set(self.encode(question))        n = len(tokens)         # 模拟：与问题词重叠的位置打分更高        start_logits, end_logits = self._score(tokens)        for i, w in enumerate(tokens):            if w in q_words:                start_logits[i] += 1.0                end_logits[i] += 1.0         p_start = self._softmax(start_logits)        p_end = self._softmax(end_logits)         # 联合解码：找P_start(i) * P_end(j)最大的区间        best_score = -1.0        best_span = None        for i in range(n):            for j in range(i, n):                score = p_start[i] * p_end[j]                if score > best_score:                    best_score = score                    best_span = (i, j)         # 不可回答判断：模拟空区间得分        s_null = 0.3 * p_start.mean() + 0.3 * p_end.mean()        if best_score - s_null < self.null_threshold:            return None        return best_span  if __name__ == "__main__":    mrc = SimpleExtractiveMRC(vocab=["太阳", "从", "东方", "缓缓", "升起"])    context = "太阳从东方缓缓升起"    question = "什么从东方升起"    span = mrc.predict_span(context, question)    if span is not None:        i, j = span        print("预测答案:", context.split()[i:j + 1])    else:        print("拒答：未找到可靠答案")
目的：用 60 行代码演示抽取式 MRC 的核心流程——起终点打分、softmax 归一化、联合区间解码与拒答判断。
  1. start_logits, end_logits = self._score(tokens)模拟 BERT 的输出：每个 token 得到一个起点原始分和一个终点原始分。
  2. if w in q_words: start_logits[i] += 1.0与问题词重叠的 token 获得加分，模拟注意力聚焦。
  3. p_start = self._softmax(start_logits)将原始起点分数转为概率分布。
  4. for i in range(n): for j in range(i, n):遍历所有 i ≤ j 的候选区间，保证答案连续。
  5. score = p_start[i] * p_end[j]联合概率是起点概率与终点概率的乘积。
  6. if best_score - s_null < self.null_threshold: return None与空区间得分比较，决定是否拒答。

常见误区

误区我用了 BERT-MRC 模型，下载下来就能问什么答什么，做通用问答机器人。

正解抽取式 MRC 只能在给定文档范围内找答案。它像侦探只在案发现场找线索，现场没有的东西它既不能编也不能猜。问“1+1等于几”这种知识性问题，或问文档范围之外的事实，模型只能拒答或给出错误答案。要建通用问答系统，必须搭配知识库检索（如 RAG）才能补齐短板。

为何常见：很多人把“机器阅读”误解为“无所不知”，忽略了 MRC 的任务边界——它回答的是关于给定上下文的问题，不是百科全书。

误区只要把起点和终点的概率预测做准，EM 和 F1 分数就会很高，其他环节不重要。

正解工程实践中，BERT 输出概率只是第一公里。真实的问答流水线还包括文档检索（召回相关段落）、滑窗切分、候选答案去重、跨文档融合、拒答阈值调优。任何一个环节拉胯，都会让最终用户体验大打折扣。比如检索环节没召回正确文档，后面模型再厉害也白搭。

为何常见：学术界 SQuAD 评测给定了段落，让研究者专注于边界预测；而工业界要自己决定“给模型看哪段文字”，问题往往出在文档检索而不是边界预测上。

误区不可回答问题的判断很简单，把拒答阈值设成 0.5 之类的固定值，万事大吉。

正解阈值与模型的得分分布强相关。不同领域的文档、不同长度的段落，最优阈值差异很大。正确做法是在验证集上扫描不同阈值，绘制“可回答问题正确率 vs 不可回答问题正确率”曲线，选业务更看重的平衡点。比如客服场景宁可漏答也不愿乱答，阈值就该调高一些。

为何常见：因为阈值在代码里只是一个常数，看起来不起眼，但实际上它决定了模型“多疑”还是“自信”，是影响用户体验的隐形旋钮。

面试题

Q1. 抽取式MRC的核心输出是什么？

单选题 · easy

  • A.一段重新组织生成的摘要
  • B.文档中一个连续片段的起止位置← 正确答案
  • C.对文档主题的概率分布
  • D.多个候选关键词的排序

答案：B。抽取式 MRC 的特点就是在原文中圈出连续片段，输出表示答案边界的位置对 (i, j)。A 是生成式模型的行为，C 和 D 属于分类或排序任务，均不符合抽取式 MRC 的定义。

Q2. BERT-MRC 模型中，输入拼接格式通常是？

单选题 · easy

  • A.[CLS]文档[SEP]问题[SEP]
  • B.[SEP]问题[CLS]文档[SEP]
  • C.[CLS]问题[SEP]文档[SEP]← 正确答案
  • D.问题和文档各自独立输入

答案：C。BERT-MRC 通常将问题放在前面、文档放在后面，句首加 [CLS] 标记，中间和末尾用 [SEP] 分隔。CLS 位置最终会用来表示“空答案”的得分，因此必须位于句首。

Q3. 答案联合概率 P(i,j) 的计算方式通常是什么？

单选题 · mid

  • A.P(i) 与 P(j) 的和
  • B.P_start(i) 与 P_end(j) 的乘积← 正确答案
  • C.P_start(i) 与 P_start(j) 的差
  • D.P_end(i) 与 P_end(j) 的乘积

答案：B。答案区间要求起点在终点之前，联合概率由起点概率和终点概率相乘得到，并满足 0 ≤ i ≤ j。求和或求差没有概率意义，且 D 使用了两个终点概率，方向错误。

Q4. 处理“不可回答问题”时，通常采用什么策略？

单选题 · mid

  • A.直接输出得分最高的区间
  • B.引入 CLS 空区间得分并与最优区间比较← 正确答案
  • C.随机选择一个答案
  • D.将问题重新表述后再次询问

答案：B。标准做法是额外计算“空区间”得分，将最优区间的联合概率与空区间得分比较，差值小于阈值则拒答。这相当于侦探确认现场无证后如实汇报，而非乱圈一气。

Q5. F1 指标中，精确率 P 的含义是？

单选题 · mid

  • A.标准答案中词被预测覆盖的比例
  • B.预测答案中词属于标准答案的比例← 正确答案
  • C.预测完全正确的比例
  • D.预测区间长度与标准区间长度之比

答案：B。精确率 P = |预测∩标准| / |预测|，衡量预测答案中“圈对的占比”。A 描述的是召回率，C 是 EM 指标，D 是长度比例，均与 P 的定义不符。

Q6. 在多文档 MRC 中，对于超过 BERT 长度限制的文档，通常采用什么处理方式？

单选题 · hard

  • A.直接截断前半部分
  • B.用滑窗切分为多个片段分别预测← 正确答案
  • C.丢弃过长文档
  • D.将文档整体压缩成向量

答案：B。工业界普遍采用滑窗切分策略：长文档按窗口切成可处理的片段，每个窗口独立做 MRC 预测，最后通过去重、重排融合答案。直接截断会丢失答案所在的尾部信息，丢弃文档则更不可取。

Q7. EM（Exact Match）指标的特点是什么？

单选题 · easy

  • A.允许一定程度的同义词替换
  • B.要求预测答案与标准答案逐字完全一致← 正确答案
  • C.只看关键词是否出现
  • D.与 F1 的计算方式完全相同

答案：B。EM 是一把严苛的尺子，预测字符串与标准答案必须完全一致才算正确，不容许同义词替换或顺序调整。F1 则更宽松，不要求全对，只衡量词级重合度。

Q8. 关于抽取式 MRC 的损失函数，下列说法正确的是？

多选题 · mid

  • A.通常使用负对数似然作为损失← 正确答案
  • B.损失函数包含起点项和终点项← 正确答案
  • C.训练时只需优化终点预测
  • D.损失越小表示模型预测越准← 正确答案

答案：ABD。MRC 训练使用联合负对数似然 L = −log P_start(g_s) − log P_end(g_e)，起点和终点都要优化（B 对、C 错）。负对数似然值越小，真实答案的概率越大，模型越准（D 对）。标准做法正是如此（A 对），因此答案是 0、1、3。

Q9. 关于不可回答问题的阈值 τ，下列说法正确的是？

多选题 · hard

  • A.τ 越大，模型越倾向于拒答← 正确答案
  • B.τ 越小，模型越容易强行作答← 正确答案
  • C.τ 不需要在验证集上调整
  • D.τ 衡量“最优区间比空区间好多少”← 正确答案

答案：ABD。阈值 τ 是比较两把尺子的刻度差：最优区间得分减去空区间得分必须大于 τ 才作答。τ 大 → 要求差距大 → 更难作答，更易拒答（A 对）；τ 小 → 容易满足 → 更易强行作答（B 对）。τ 是需在验证集上扫描调优的超参数（C 错）。D 描述的正是阈值的语义，正确。

Q10. 评估 MRC 模型时常用的两个指标是？

多选题 · easy

  • A.EM（完全匹配率）← 正确答案
  • B.F1（词级重合度）← 正确答案
  • C.BLEU（译文质量分）
  • D.ROC 曲线下面积

答案：AB。SQuAD 与绝大多数 MRC 基准都同时报告 EM 和 F1：EM 要求逐字完全一致，F1 衡量词级重叠。BLEU 更常用于生成式翻译任务，ROC-AUC 用于二分类排序，二者不是 MRC 的标准评测指标。