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...

双非一本，八股刚开始，这个简历能找到实习吗。。。

2-3k的都找不到，求大佬拷打，给点学习或者找工作的意见，谢谢了。

顺便说一句，淘天 27 届暑期实习生还在持续招人，AI工程、算法等方向都有机会，感兴趣可以查看我关联的内推记录。最近集中看了一批 AI 相关的校招简历，有个感受越来越明显：不是大家项目差距很大，而是简历呈现方式差距特别大。你会发现，候选人做的内容往往高度相似：大模型应用、RAG、知识库问答、Agent、多轮对话、Prompt 优化……甚至连技术组合都很像：Python、LangChain、向量库、FastAPI、React。可同样一类项目，有些人写完以后让人觉得“这个同学是真的做过，也想明白了”，有些人则像把一串名词拼在一起，读完只留下几个框架名。问题通常不在项目，而在你怎么把项目写出来。1....