中创新航

笔试（2026-3-27）算是真正意义上的第一次笔试，没想到点链接直接跳到牛客网来了。感觉代码练习不太够，以现在这个状态，感觉之后都不用笔试了，笔个锤子笔。第三题没动，一和二过60%样例，甚至都不知道为啥还能过第二题能过60%样例。这周Boss上投了不少，回应的只要寥寥，看来自己还是乐观了，不投大厂恐怕面试都机会了，只能寄希望于大厂的无限复活了。下午还有智源的面试，先面了再说吧，别的连面试机会都没。有点不知道下周的大厂还该不该投，我giao giao giao!

不过大厂的面试确实比小厂能学到更多

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...