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...

TEG网络研发部。半小时多结束，感觉是kpi。后台开发岗位纯靠回忆，有些问题和细节忘了。自我介绍介绍之前实习内容（之前做的数据库），没深问技术细节，除了实习工作，就问了下对公司产品的场景，架构理解。了不了解消息解耦，比如多个终端产生海量数据存入数据库的问题，答的用消息队列集群的控制节点怎么确定的，raft协议了解吗，说说流程。（很久之前看的了，答了选主，多数派原则，心跳。忘记答关键的WAL日志了）了解什么消息队列（RabbitMQ），与其它产品（如kafka）对比。mysql MVCC实现原理mysql 三个日志介绍。redolog和binlog区别。redis分布式锁redis缓存雪崩，穿透...