团子商分oc啦

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...

锐评一下我的简历吧，投几天了都没有找到，成都双非本。

还没收到 通知，应该寄了1. 自我介绍 / 项目介绍2. 为什么做开源社区内核开发3. Rust 相比 C++ 的优劣势4. Rust 如何保证内存安全5. Rust 与 Go / Python 的区别6. 进程、线程、协程区别7. 用户线程与内核线程调度开销大吹特吹 Ai Coding 8. 开发中怎么使用 AI，是否能辅助内核开发9. 沉淀了多少个 skill10. 这些 skill / agent 是怎么编排起来的11. AI 翻车的场景与处理方式12. AI 生成代码的可用率有多少13. 如何进一步提升 AI Coding 效率14. 哪些模型擅长什么事情15. 如果给 Cgroup ...