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...

想先找个小厂

项目本科学的课程对项目的帮助，理论如何指导实践？所用芯片的ram，flash是多少？freetos是你移植的吗？任务响应延迟降低30%是说裸机和freertos之间的区别吗？为什么引入看门狗？程序卡死之后有没有读寄存器或栈信息定位问题？看门狗周期是多少？谁去执行喂狗操作？看门狗底层有了解吗？对SPI的了解？使用SPI通信有没有遇到过一些困难/奇怪的问题？姿态角解算算法迭代完成了哪些内容？如何优化双环PID的？讲一下双缓冲DMA用最小二乘法整定参数，这些数据是从哪来的？git别人先提交了，push的时候产生冲突了怎么办？有没有办法规避冲突？说说freertos的任务调度？任务之间通信有哪些方法？...