1. 因果推断在多模态训练里能解决什么问题，为什么不是普通相关性学习就够了多模态场景里最容易出的问题就是模型学到“看起来相关”的捷径，而不是任务真正依赖的稳定因素。比如图像里某类背景、拍摄角度、文本描述习惯，可能和标签高度共现，但它们并不是真正决定结论的原因。因果推断的价值在于尽量把这些混杂因素拆出来，让模型更关注跨环境都稳定成立的信号。如果只靠相关性学习，训练集上可能效果很好，但一换数据源、设备、标注风格，性能就会掉得很厉害。因果思路不一定意味着一定要上完整的因果图模型，也可以体现在样本构造、环境分组训练、反事实增强和不变风险约束上。它本质上是在问：模型到底学到了可迁移规律，还是只记住了数据...

面试通过了，但是其实待遇没有之前的待遇好 没辙了去看看吧

1. 说一下 volatile 的作用，它能保证线程安全吗？答：volatile 的核心作用是保证变量的可见性，并且在一定程度上禁止指令重排，但它不能保证复合操作的原子性，所以一般不能单独用来保证线程安全。可见性一个线程修改了 volatile 变量后，其他线程能够立刻看到最新值。它适合做状态标志位，比如“设备初始化完成”“接收到数据”等。禁止指令重排编译器和 CPU 在优化时可能会调整指令顺序。volatile 会在读写时加入内存屏障，避免关键步骤被乱序执行。不能保证原子性像 count++ 这种操作，本质上是“读-改-写”三步，不是原子操作。即使 count 是 volatile，多个线程...