摸鱼

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...

你们这些卡92的，就在jd里标清只要92，装什么众生平等。发70个邮件让我完善简历，我还以为被网暴了。说的就是你慧策，上午参加了宣讲会，技术岗位上来来了一句：只要92或双非ACM银牌，66666。说双非本只能投销售类，后期能转岗（虽然但是就你小子公司的hr已读且回复，那有毛用），92才不去你们那破公司，双非本就和有案底没区别，快滚。

昨天面试官打电话来说有事情，晚点发个邮件调整一下时间，结果今天显示流程结束了，要发一封邮件问问吗

2026年4月10日百度LastDay，4月11日骑上我的重机车，南下！（最终选择了TCL鸿鹄实验室，去做AI应用落地，涨幅45%） 要离开北京了，但是这次没有什么大事，我不会再回来了。我为什么离开北京？我在北京这些年的经历给我带来了什么？从小厂到中厂到外包到大厂，这一路来我究竟经历了多少困难？ 其实这一刻，说不上悲伤还是开心，一言难尽，百感交集。（领了离职纪念工卡，还有纪念度熊）一、初入职场，我一无所知 2020年我从河北大学毕业。在学校时候，不知道牛客，不知道实习，不知道保研，什么面试，什么面经，反正一概是不知道。纯纯小白，当然这是我的问题，因为不可能是别人的问题。 最开始被忽悠了，去了一...