欢迎来交流~

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...

想去阿里，社招1年半经验，技术栈 Java，想问一下阿里有哪些部门流程简单，容易进吗？

1.讲一下你们的搜索架构2.输入一个关键词后是如何处理的？ 会经历哪些系统， 整个流程是什么样的？3.讲一下重构的方案，具体体现了什么技术力？整个过程遇到的最大难点是什么？4.如何排查gc问题的？ 怎么确认哪一个是大对象？5.分页是怎么做的？ 如何支持千人千面？ 不同用户不同筛选项每次返回分页顺序不同，怎么设计排序逻辑？6.排序所需的数据是如何回流回去的？7.多级缓存是如何设计的？ redis的zset用来干什么，底层原理？多线程并发请求redis是安全的吗？8.java写多线程程序怎么写？线程池参数怎么设计的？有没有遇到过线程池导致的性能问题？假如设定多个线程池，如何确定其和cpu核数的关系？还有没有用过其他线程池， ForkJoinPool？9.解释一下配注解，比如RefreshScope是怎么实现实时拉取配置的？10.讲一下配置中心的整体架构？ 修改文件后，如何同步到客户端的？客户端的ip存在哪里？心跳是谁发给谁？11.讲一下RPC的架构。12.设计一个agent需要考虑哪些方面？