1. 自我介绍2. 为什么推荐系统里要做多目标优化，而不是只优化点击率只优化点击率会把系统推向强刺激、短反馈的内容，短期看 CTR 好看，长期可能损伤时长、留存、消费深度和用户满意度。推荐系统真正面对的是一个多目标约束问题，点击、时长、转化、留存、内容生态健康、创作者收益往往都重要，而且这些目标之间存在天然冲突。多目标优化的核心不是把几个 loss 简单加权，而是处理目标尺度不一致、梯度冲突和业务优先级变化。很多系统前期用静态加权，后期会演进到门控式任务塔、动态权重、MMoE、PLE，甚至通过因果或强化学习方式做长期目标建模。优化的是用户长期价值，而不是某一个表层指标。3. 当业务里同时有视频...

刚实习了两周，被导员一通电话打过来可能会给处分学校这里坚决是不允许大二大三实习，只有大四后半学期才允许😂不知道被谁举报的，总之回来领导跟我说了一大堆，说在学校呆着能学到知识以外的东西。然后一门课也是被重修了，感觉好不容易实个习，一波三折的。最后还是选择了不回头，总觉得，人这一生就这一次，要尽力去活才算圆满。

四段实习经历，三段大厂。。春招至今0面试。。。受到好大的打击啊

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...