字节校招内推

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...

在牛客上投简历，被20人小厂给拒了，简历都没过筛😭😭😭。大佬们，求求给一些简历优化建议，推荐再塞个 ai吗(之前有做过很简单的rag)？还有就是我们教研室有一个项目，但是他是主要核心在spark，flink，模型，后端都是统计，增删改查之类的。大佬们，这个推荐我写吗？

最近在工作里，大家都在讨论 vibe coding，工具也是百花齐放，cc，codex，trae。它确实提高了开发效率，但有时也会发现，明明生成的测试用例都通过了，但是交付后效果依然很差；变量名，项目结构完全没有按照规章来，太过发散；ai听不懂人话，需要多次返工，不仅没有增效，反而让leader觉得做事不仔细。也就是说，很多人只是用起来了，而不是用好了。真正把它用好，关键不在“让模型多写一点”，在于先想清楚边界。第一，先分清需要处理的是“项目”还是“模块”。如果只是一个边界清晰、输入输出明确的小模块，vibe coding 的效果通常很好，因为上下文相对稳定，模型更容易收敛到可用结果。但如果是...