看到H同学分享的2025年第七届全国高中信息技术优质课展示交流活动上机测试试卷，这里Jack同学尝试浅析一下。
选择题部分：
考察二进制位数与可编码容量的关系。
阅览室号需表示50种可能， ⌈log 2^50⌉=6
桌子号需表示20种可能， ⌈log2^20⌉=5
总位数为 6 + 5 = 11 位。
常用的二进制计算：2^4=16,2^5=32,2^6=64
答案：B.11
①摄像头在系统中充当传感器，负责信息采集（①正确）。
②系统用户不仅限于交警和驾驶员，可能还包括其他人员（②错误）。
③摄像头与服务器通信需依赖网络设备、软件及协议（③正确）。
④提升上传效率需优化网络模块，但与存储能力无关（④错误）。
答案：B. ①③。
答案：C. 培养计算思维不仅仅是使用工具。
选项④：链式存储的插入和删除操作时间复杂度为O(1)，但需定位节点时复杂度为O(n)。题目中“总是O(1)”错误。
答案：D.①②③⑤
前序遍历:根-左-右，中序遍历:左-根-右。
接下来，我们开始逐步重建这棵二叉树。
确定根节点：
前序遍历的第一个节点是A，因此A是整棵树的根节点。 在中序遍历中定位A： 中序遍历为A-D-C-E-F-B。A位于第一位，说明A的左子树为空，右子树的中序遍历序列为D-C-E-F-B。
处理A的右子树：
前序遍历中，A之后的序列B-C-D-E-F属于A的右子树。 在中序遍历中，A的右子树序列为D-C-E-F-B。
确定B的位置： 在前序遍历中，A的下一个节点是B，说明B是A的右子节点。 在中序遍历中，B位于最后，表明B的左子树是D-C-E-F，右子树为空。
处理B的左子树： 前序遍历中，B之后的序列是C-D-E-F。 中序遍历中，B的左子树是D-C-E-F。
确定C的位置： 在前序遍历中，C是B的左子节点。 在中序遍历中，C位于D和E之间，说明D是C的左子节点，E-F是C的右子树。
处理C的左子树：
前序遍历中，C之后是D，说明D是C的左子节点。 中序遍历中，D在C的左边，没有其他节点，说明D是叶子节点。
处理C的右子树： 前序遍历中，C之后是E-F。 中序遍历中，E-F在C的右边。 E在F之前，说明E是C的右子节点，F是E的右子节点。 总结树结构：
A
\
B
/
C
/ \
D E
\
F
分析各选项： A错误：树的深度为5。 B错误：F是E的右孩子。 C正确：叶子节点为D、F、B，共3个。 D正确：B的度为1（仅左子节点C）。
C：采样量化编码后在能在计算机中保存。
B,其他显然错误。
计算容量：分辨率*位数/8，单位为字节。计算的C为12.5MB大于10MB，故：C。
计算各位数字和，先分离各位，使用欧几里得算法，先分离各位对10求余，加到和中，分离除个位的其他位对10整除，知道分离完毕为0结束。B正确。
选项B错误。数字签名使用非对称加密算法。 选项C的算法不同。正确：D
选项C错误，推送通知与局域网无关。
选项D错误，双绞线非网络互联设备。
A项：人机协作完成动作设计与优化，体现混合增强智能，符合题意。
B项：是监督学习或迁移学习。
C项：风格迁移不属于跨领域AI。
D项：AI无法完全取代人工，需专业干预。
最终，符合条件的序列数为7种。答案：C. 7。
第一步★：4 *1 = 4 ，栈 4-2，队列3。
第二步▲：4 + 3 = 7，栈 2，队列 7。
第三步★：2 *7 = 14，栈 14，队列[]。
最终，栈顶元素为 14。答案：A。
答案：C. 功耗低、成本低，适合组建大规模的设备网络。
ZigBee技术是一种短距离、低功耗的无线通信技术。其特点是近距离、低复杂度、自组织、低功耗、低数据速率。主要适合用于自动控制和远程控制领域，可以嵌入各种设备。
简而言之，ZigBee就是一种便宜的，低功耗的近距离无线组网通讯技术。ZigBee是一种低速短距离传输的无线网络协议。
ZigBee协议从下到上分别为物理层(PHY)、媒体访问控制层(MAC)、传输层(TL)、网络层(NWK)、应用层(APL)等。其中物理层和媒体访问控制层遵循IEEE 802.15.4标准的规定。（解释来自百度百科）
表头插入：( O(1) )。
删除第 ( i ) 个结点的前驱：需先找到第 ( i ) 个结点，时间复杂度 ( O(n) )。
查找值为 ( x ) 的结点后继：需遍历链表，时间复杂度 ( O(n) )。
修改所有值为 ( y ) 的结点：需遍历链表，时间复杂度 ( O(n) )。
表尾删除：( O(1) )。
综上，最坏时间复杂度为 ( O(n) ) 的操作是②、③、④。答案：B。
大语言模型的预训练阶段主要目标是通过大量未标注文本数据学习语言的语义和语法规律。此时，模型采用自监督学习或无监督学习。
在分析图像风格迁移的核心技术时，首先需要明确各选项的应用场景。专家系统（A）依赖规则和知识库，适用于领域决策，与图像处理无关；决策树（C）用于分类和回归，不涉及图像生成；知识图谱（D）用于知识关联，与风格迁移无关。生成对抗网络（GAN）通过生成器和判别器对抗训练生成新图像，而卷积神经网络（CNN）擅长提取图像特征。图像风格迁移需同时学习内容和风格，再重构为新图像，因此最可能的核心技术是GAN或CNN，对应选项B。
初始化p为lst[0]=2，n是列表长度20。
外层循环遍历列表的每个元素，用变量i表示当前索引。内层循环通过while循环因为j+1对20求余数是本身，所以计算从索引i开始的连续子序列的和，并用变量tmps记录当前子序列的和。
如果tmps大于p，则更新p为tmps。
对每个i ，计算从lst[i] 开始的子序列和 tmps ，直到 j 回到 i 之前。
更新 p 为 tmps 的最大值。
由于 lst[5] 到 lst[15]均为非正数， tmps 的最大值出现在i=2时，即 tmps = 12。
也可以编程运行一下输出p值。