阿里内推24秋招

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...

😭这是给挂了吗，都一周了还显示这个。。。。

很多人被问到这个问题时，第一反应是：“因为大模型本质上是概率模型。”这句话不能说错，因为在别的题目场景下，这句话可以作为引用证明试用，但在这个问题下肯定远远不够。面试官往往会继续追问一句：“概率模型怎么了？概率模型就一定会编吗？”如果你答不上来，那这一题基本就丢分了。1：模型从一开始就不是为了“说真话”大模型的训练目标其实很简单：预测下一个最可能的Token。但关键在于，这个目标和“说真话”并不是一回事。在训练过程中，模型从来没有被明确区分过“这句话是真的”还是“这句话是编的”。它学到的只是：在某种上下文下，什么词最有可能出现。因此，它掌握的是语言的统计规律，而不是对世界的真实建模。这就带来一...