周一早上，导师站在我工位旁边，把笔记本电脑转向我，屏幕上是一张监控大盘。 "这周我去上海出差，跨团队做技术对齐。这几个核心指标你盯着，有异常先看看，拿不准再找我。" 我点了点头，心里其实有点紧张。来拼多多实习两个多月了，系统的代码我已经比较熟悉，日常的需求开发也能独立完成。但"系统交给你"这五个字的重量，我是第一次感受到。 导师像是看出了我的犹豫，拍了拍我的肩："放心，之前你处理的那几个问题都挺好的。遇到不确定的，群里喊一声就行。" 前三天，一切风平浪静。我按部就班地处理了两个小需求，跟进了一个测试环境的问题，还帮隔壁组的同学排查了一...

没想到挂了还有感谢信啊哈哈哈哈啊哈哈啊哈哈

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...