考公是对的 熬夜加班是错的 健康生活是对的 学计算机入互联网是错的 张老师走好！一刻也没有为张老师的死哀悼，接下来赶赴战场的是：痛击每个计算机系学生的惨淡就业市场！

这是我在BOSS遇到最有人性的hr，他的鼓励简直让我这么久人机般投简历来，最感动的一次，真的好想进这家公司啊😭😭😭

腾讯 京东oppovivo快手美团百度字节蚂蚁上面的厂都投了，有的直接简历挂了（快手  阿里挂的最严重），测评做了，有的给了笔试，但为啥大多都一直卡流程？卡在“简历筛选/评估中”，这是怎么回事？项目不行？还能找到实习吗？

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...