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...

暑期实习投了十几天，能投的都投了，一个面试没有，pdd，快手，小米直接挂，不然一直都泡池子，简历还能怎么改进吗，后端还是太卷了

面试时间：3.9部门：数据平台自我介绍第一段实习拷打：整体介绍一下第一段百度实习的产出实习中针对图片生成效果的评测标准是什么，如何构建评测集？讲解一下测试过程中比较典型的badcase。做测试基建时，你主要负责的功能有哪些？讲解一下agent skill针对ui自动化的实现细节。skill执行结果的执行量和通过率是多少？执行过程中的报错和执行被打断如何处理？前端跳转不同页面之后，如何确保测试的连贯性和结果准确性，上下文衔接如何做的？这部分被狠狠拷打了接近20分钟第二段实习拷打：简单讲解一下这个后端项目的实习内容编写邮件模块时用到的设计模式讲解一下。策略模式具体实现细节。为什么想到从开发转测开，...