字节跳动 杭州抖音后端内推，大量HC

2026年03月24日 虾皮二面-数据平台全程50分钟。上来先聊了几分钟个人情况，为什么做后端，有没有学过大数据课程什么的。中间主要问问实习项目做的情况。做了什么，怎么做的，遇到的难题及解决，项目规模，所在部门。最后给个题，（提供了一段日志处理代码题）请计算字符串例子里面 HTTP 状态码是 200 的百分比。也不难。简单反问。春招第6面，就结束了。这次可能参考价值一般，没有八股，项目也没有问比较深入的问题，手撕的话也就纯字符串切片统计的模拟。这个面试官比较和蔼，没有什么拷打。部门具体名称不记得了，只知道是做什么集团内部数据平台的。更新：已挂。意料之中吧，问题不大。一面能过就很奇怪，本来在一面...

投了几个月boss了

简历如下，也是改了不下十版了三月初开始投递，到现在感觉投递了有个1500家了（实习，全职）面了10家左右的样子（都是线上的，线下的我一律当做刷kpi没接，现在感觉线上线下都是刷KPI的），笔试倒是做了不少，收到了两份实习offer都拒绝了（一个140/天+外地，一个120/天本地初创）最近也不知道投啥了，想着春招实习两手抓，但是投递的很多岗位有要求1-3年经验，投出去也是石沉大海杳无音信，偶尔有几个回复，然后就是笔试面试，再无后续慢慢的也有点蕉绿起来了😭😭还有课设，论文乱七八糟的当时还选择了考研，找学长问考研经验，学长第一句话就是不建议考研，当时还不以为然，现在想想……

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...