1. 因果推断在多模态训练里能解决什么问题，为什么不是普通相关性学习就够了多模态场景里最容易出的问题就是模型学到“看起来相关”的捷径，而不是任务真正依赖的稳定因素。比如图像里某类背景、拍摄角度、文本描述习惯，可能和标签高度共现，但它们并不是真正决定结论的原因。因果推断的价值在于尽量把这些混杂因素拆出来，让模型更关注跨环境都稳定成立的信号。如果只靠相关性学习，训练集上可能效果很好，但一换数据源、设备、标注风格，性能就会掉得很厉害。因果思路不一定意味着一定要上完整的因果图模型，也可以体现在样本构造、环境分组训练、反事实增强和不变风险约束上。它本质上是在问：模型到底学到了可迁移规律，还是只记住了数据...

看来得重新踏上征程了。后悔之前oc之后没有走其他的流程。

已拉黑：美团，百度，米哈游已点赞：快手，网易，众安，字节跳动，蚂蚁ttl：3.16投递-3.25 一面-3.30 二面-3.31 hr面-4.2 oc

7、你们redis用的是哪里的集群版8、Redis 主备机制是怎么实现的呢？9、Redis 选主机制10、Pulsar 有哪些集群的实现版本？11、Redis 的 ZSet 详细说说，再说说插入、查找的过程15、CAP 理论说一说，然后什么场景、中间件用什么？16、OpenClaw (OpenHands/Agent) 的底层实现机制17、Agent 的 Memory 机制有了解吗？18、Redis 慢查询怎么排查？19、MySQL 一致性的实现是怎么做的呢？20、MySQL 是怎么保证数据不丢，怎么保证数据不错的呢？21、Undo Log, Binlog, Redo Log 的作用22、事务的...