大语言模型的核心架构是:A. RNNB. TransformerC. CNND. LSTM

考查要点：本题主要考查学生对当前主流大语言模型核心架构的了解，需要区分不同神经网络模型的特点。

解题核心思路：明确各选项模型（RNN、LSTM、CNN、Transformer）的核心功能与应用场景，抓住自注意力机制和并行计算能力这两个关键点，即可快速锁定答案。

破题关键点：

1. Transformer模型通过自注意力机制能高效捕捉长距离依赖关系。
2. 大语言模型（如GPT、BERT）均基于Transformer架构。

选项分析

A. RNN（循环神经网络）

• 特点：处理序列数据，按顺序逐个处理输入。
• 局限性：存在梯度消失/爆炸问题，难以处理长序列。

B. Transformer

• 特点：基于自注意力机制，可并行处理所有输入位置，高效捕捉长距离依赖。
• 优势：计算效率高，成为大语言模型的核心架构（如GPT-3、BERT）。

C. CNN（卷积神经网络）

• 特点：通过卷积层提取局部特征，常用于图像处理。
• 局限性：在NLP中对长距离依赖捕捉能力较弱。

D. LSTM（长短期记忆网络）

• 特点：通过门控机制缓解RNN的长序列问题。
• 局限性：仍为顺序处理，效率低于Transformer。

结论：大语言模型需要高效处理长文本且捕捉复杂依赖关系，Transformer的自注意力机制和并行计算能力使其成为最优选择。