淘天集团内容运营面经

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...

大二大三那会非常的向往互联网大厂，进去之后刚开始会觉得各个都很牛，只有自己是菜狗，干了一段时间会发现外表光鲜靓丽的某个人或者公司原来内部也就这样。即使是你的领导或者你的导师一样都会有不会的不懂的。实习或者找工作也都是这样，别把别人想的太厉害，大家可能会觉得自己的经历或者项目什么的比较拉不好说，不用怕，大胆的吹，你的面试官大多时候都不了解你的细节，只要你能自圆其说就行了。不过大厂之所以能成为大厂肯定也是有厉害的地方的，厉害在有几个天赋型的选手搭建出一套完整可执行的规则，后人照着做就不会出大问题。

AI Infra 是未来 5–10 年非常确定的岗位方向之一，而且相比纯算法岗，门槛更工程化、需求更大、年龄更友好。AI Infra 技能栈你可以把技能栈理解为 4 层：第1层：基础工程能力（必须）这是门槛：LinuxPython / Go计算机网络操作系统DockerKubernetes数据库（MySQL / Redis）分布式系统基础API开发（FastAPI / Flask）并发 / 异步 / 队列（Kafka / RabbitMQ）这一层本质是：后端工程师能力第2层：AI工程能力这一层开始进入 AI Infra：PyTorch 基础模型推理（inference）模型部署（TorchSe...