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...

为什么第一段实习都找不到😂，211本，项目一个点评一个微服务商城，

佬们求助，28届小登JAVA想去实习了，最好是可以暑假实习吧，目前八股背了框架，redis，还有一些JAava基础，jvm和juc，是不是可以五六月份再投？

补档：hr和技术面同时进行hr主要问一些校内成绩有没有挂科，然后就是base地点，薪资期望还有家里和实习技术面狠狠拷打了项目，感觉讲的有点不好，逻辑还是没有理顺，没有问八股。估计没有后文了，说通过下周发心里测评。实习的话是包装了包装，被狠狠拷打了，一问你这个具体干啥了，和谁对接的，怎么处理的，指标怎么得出来的就懵逼了，想办法解决了得，建议一定要对项目熟的不能再熟。