刷到这个话题，瞬间想起了我秋招找实习的社死经历，作为计算机专业的男生，我用亲身经历告诉大家：实习产出可以合理包装，但千万别过度造假，不然面试的时候真的会尴尬到想找个地缝钻进去。先说说我最开始的实习情况，特别普通，就是大多数开发实习生的日常：在一家小公司的后端组实习，mentor怕我碰坏线上环境，根本不让我碰核心业务代码。日常工作就是整理项目的接口文档、给老接口写点单元测试、改几个前端传参的小bug、偶尔旁听一下项目评审会，连正经的业务接口都没写过几个。实习了两个月，实打实的产出少得可怜，说难听点，就是个打杂的。那时候正赶上暑期实习招聘，看着身边同学的简历，个个都是“核心参与项目”“独立负责模块...

先上Timeline:3.17 一面（一小时后通知过了）3.21 二面（面试在周末，周一上午通知过了）3.25 三面（半小时后通知过了）3.26 hr面（当天晚上发offer）面试内容：一二三面基本上都是拷打实习+项目，🈚️八股一二面各一道非常简单的算法，三面🈚️算法hr面主要是了解个人经历、性格，以及就业规划等总体感受：整个流程非常快，这个必须点赞每个面试官的专业能力就不用说了，会问到一些可能自己之前没考虑过的问题，也会现场引导我思考。整体面试氛围很轻松，像是在和同学一起讨论技术问题，交流各自的想法一样，聊的很开心暑期投了不少大厂，但只有腾讯字节给面试，其他公司都没给机会腾子那边也挂了几次不过还好最后如愿进字节了

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。

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...