58面试

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...

寒假4场线上面试都黄了。开学返校，千里迢迢，路程25h。到校就是打扫卫生，整理杂物。第二天满课，有事没午休，晚上睡觉漏风着凉，终于是把自己累感冒了。结果感冒了才想起来自己还有一个一面测试题没写，但是昏昏沉沉看不下去；又想到今天boss还没投满150，得赶紧投完；之后又想起自己还没看课学习......焦虑，急躁，颓废，厌恶......各种情绪交织，终于接受了。谁让自己高考前想得太多，井底之蛙，没有想学习的心呢；谁让自己大一什么寻找幸福的意义，加入学生会和社管，忙成陀螺拿奖学金呢；谁让自己大二开始摆烂陷入无尽的虚无主义，而执行力--啥也不干呢。所以没办法，如今的结果，都是过往的自己一步步堆积出来的，自己认，自己扛。我大抵是病了。高中疫情居家放假，病痛缠身但不会想学习的事；如今病了，想的是好倒霉，打乱了许多计划，干不成很多事。对自己好一点，一路的风景何尝不值得我们驻足欣赏。那些过去没掌握的东西，不是失去了，而是在未来等待，一步一个脚印慢慢来去拾起来就好了。戒骄戒躁。

不过大厂的面试确实比小厂能学到更多

又挂了一上来两个面试官，给我整不会了，说为了节省时间，本来三轮技术面压缩。面试官1：自我介绍反射机制，哪些框架中用到了反射框架优点缺点concurrenthashmap怎么保证并发安全除了synchronized可以加锁还有什么锁synchronized和reentrantlock有什么区别线程池有哪些参数，参数怎么考量设置项目里哪些场景下使用了线程池，具体怎么设置参数的（这里我瞎说了，记不得哪里用，应该错了）为什么要定义线程池什么是聚簇索引什么是非聚簇索引覆盖索引怎么定位慢查询深分页了解吗，怎么优化？（这里我说了覆盖索引+子查询和游标法，但是游标法我不熟，面试官又追问我游标法具体怎么写，掉进...