面试官背景为 NTU 博士、传统控制出身，问询极细，按项目维度拆解如下： 1. 强化学习规划项目  数据获取： 仿真数据集是如何获得的？ 算法鲁棒性： 是否会出现陷入局部最优的情况（如死胡同无法脱困）？ 仿真建模： Gazebo 仿真中为什么要选择使用差动模型（Differential Model）？  2. VLN（视觉语言导航）项目  技术实现： 三维重映射（3D Remapping）的具体实现方案。 性能评估： 实际运行效果如何？ 实机部署： 模型是否支持在真实机器人硬件上运行？如果可以，推理/运行速度表现如何？  3. 机器人操作项目  全身控制（WBC）： WBC 具体实现了哪些任务...

😢 飞书电话会议。我真的搞不懂，那些问题我基本上都回答出来了，咋回事呢。

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...