1. 你做过大模型数据处理的话，预训练数据清洗一般怎么做，去重、去噪、质量过滤分别解决什么问题？预训练数据清洗本质上是在控制“数据量”和“数据质量”之间的平衡。去重主要解决模型反复记忆同一批内容，避免浪费训练 token，也减少 benchmark 污染。去噪主要是过滤乱码、模板页、广告页、低信息密度文本、机器生成垃圾内容，不然模型会学到很差的语言模式。质量过滤更偏向保留高价值内容，比如结构完整、语义通顺、知识密度高、代码块规范或者问答对明确的数据。实际工程里一般不会只靠一个规则，而是多阶段处理：先做规则清洗，再做语言识别、长度过滤、内容打分，最后再结合 dedup 和采样策略。因为预训练效果...

211本985硕,暑期快手已经用人部门筛挂两次了😡😡实习已经改了一版了,需要写的更详细点吗😭😭😭

半夜睡不着做法许愿🙏🏻一二面一起面的，一直在问我实习有两道没答上来，但是面试官结尾说如果收到复试就算通过，没有的话也期待我有机会加入京东就这样轻轻一钓把我钓成翘嘴估计是客套话因为一天半没消息了看网上流程都很快的捞我三次了 京东快把我收了吧

由于楼主技术栈的原因，加上好高骛远，不想做笔试，所以基本上没怎么投暑期，手、团这类公司是技术栈差别，阿里等其他公司卡学历，腾讯在职投不了其他部门。所以最终只投了字节，年前接到飞书面试，年前没时间面，约到年后2.26 飞书一面3.02 飞书二面3.03 挂3.12 HR电话约面3.17 广告一面3.24 广告二面3.27 挂之前还被其他同学说运气好，两次面的部门技术面都是只有两面，但都是倒在二面了，而且都是聊的不错，但还是被挂了。暂时在这边好好呆着吧，过了冷静期，等其他佬拿完offer我再投字节