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...

211本985硕,暑期快手已经用人部门筛挂两次了😡😡实习已经改了一版了,需要写的更详细点吗😭😭😭

1. 自我介绍2. 项目拷打3. 你实习做了什么 有什么提升 详细说说4.Transformer 为什么适合做大模型底座？Transformer 适合做大模型底座，核心原因是 并行能力强、长距离依赖建模能力强、扩展性好。RNN 按时间步串行处理，训练效率低，而且长距离依赖容易衰减；Transformer 使用 Self-Attention 直接建模任意位置之间的关系，训练时可以并行处理整段序列，所以更适合大规模预训练。现在大部分大模型都以 Transformer 为核心结构。5. Self-Attention 的公式是什么？输入 (X) 先映射成 Query、Key、Value：注意力计算公式...