我还记得入职那天的感觉。 工位上放着一台崭新的 MacBook，旁边贴着一张纸条，上面是导师的飞书号和一句话："先把开发环境搭好，有问题随时问。" 我花了大半天时间熟悉内部系统，光是权限申请就提了七八个。代码仓库拉下来的时候，我盯着屏幕上密密麻麻的目录结构，心里只有一个念头：这东西，我真的能看懂吗？ 导师叫阿宇，说话很快，但每次解释技术问题的时候会刻意慢下来。第一周的周会上，他让我旁听，不用发言。我坐在角落里，听着团队讨论服务拆分、链路追踪、降级策略，笔记本上记满了听不懂的术语。 "先别急，"阿宇说，"你先把这个模块的代码通读一遍，搞清楚数据流...

真投了你又不给ps:楼主其实比起去大厂当螺丝钉 更想去一些初创公司或外企。楼主是一年不到的社招。

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...