接上条，美团还是挂了

在嵌入式学习圈，有一类项目几乎成了“标配”：智能小车、环境检测、智能家居、智能门锁，乃至各种“XXXX智能系统”。这些项目年年有人做、届届有人写、简历里人手一个，看起来百花齐放，实际上却越来越同质化，甚至逐渐沦为“技术流水线产品”。那么问题来了：这些项目真的“烂”吗？还是我们做“烂”了？一、智能小车：从“入门神器”到“简历模板”智能小车几乎是每个嵌入式初学者的起点：红外避障、循迹、蓝牙遥控、再高级一点加个摄像头视觉识别。问题不在于它简单，而在于——大家做得一模一样。模块固定：L298N电机驱动 + 超声波 + 红外模块逻辑固定：if-else判断避障代码来源固定：GitHub / CSDN复制...

最近十分焦虑，本来计划找java岗的，结果现在这个时代，什么都要带上ai，本来就有一大堆java八股文没背，还要仓促的学agent，但学的都是基础呀。简历上那些都是提示词工程，让AI输出指令格式，然后程序判断，也没什么含金量。完全没有什么竞争力😭，唯一的竞争力就是实习时间可以长些吧。但我也找不到适合的学习项目，另一方面自己也比较着急。想要快点找实习。求大佬们指点一下小弟😭😭😭

这几天疯狂在boss直聘和应届生上投简历，结果一个回复都没得，是不是简历有啥问题😭，主要投的都是产品岗，求友友们帮忙看看

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...