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...

目前在总结外卖项目，另一个电商项目只是过了遍代码看了看实现思路，找实习找到现在面过两次都没过，想知道接下来应该怎么努力。

现在27届还没实习的我是不是废了

心里话1、打工不要太认真，工作内容及格就行，不要太累。2、保证下班的学习时间，持续学习，很重要！ 上班很多时候是消耗性的输出，下班学习才是给自己的输入。Agent开发和传统开发1、传统前端/后端/客户端在大量裁员。原因是有了ai之后，岗位边界模糊，效率提升。又会做Agent开发，又能开发前后端的牛马，老板当然更满意。2、随着业务形态的转变，传统开发项目减少，对传统程序员的需求自然减少。更多的需求集中在AI产品。Agent开发和传统算法1、总的来说，Agent更偏业务，算法更虚。2、算法也会大量裁员。随着基模越来越强，不太需要stf，rl了。对Agent开发来说，基模越强，反而有更大的想象空间，...