这个表情很适合从B站搬到牛客来

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...

真投了你又不给ps:楼主其实比起去大厂当螺丝钉 更想去一些初创公司或外企。楼主是一年不到的社招。

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...