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...

找日常或暑期实习 投了好多基本已读不回，是项目太拉了嘛还是什么问题😭😭

选择考了一堆408，全都忘干净了算法还没有试过acm模式，惨遭0ac1.无向图对应最小生成树MST，有向图对应的是最短路径最小生成树（没有环且所有边的权重之和最小）必须是无向连通图，带有权重，两大经典算法prim算法和kruskal算法有向图的核心算法有dijkstra floyd Bellman-Ford2.信号量 pv操作信号量是解决进程线程同步和互斥问题s代表着资源，p操作（wait）申请一个单位资源，将信号量s减1，如果小于0的时候就阻塞，加入等待队列，v操作是释放一个单位资源，将信号量+1，释放完资源后若s小于等于0，唤醒一个进程常用来解决互斥问题，保证同一时刻只有一个进程访问临界区...