鼠鼠从寒假开始投，先总结如下但是总结之前，请让我感慨一下，到底是谁在拿offer啊！！！1、字节一面挂；2、腾讯 hr部门一面挂、 腾讯云一面挂；3、阿里淘天一面挂、菜鸟简历挂、阿里健康简历挂、高德简历挂；4、OPPO简历挂；5、vivo挂；6、蚂蚁国际二面挂；7、网易简历挂；8、b站简历挂；9、拼多多简历挂；10、小红书一面挂；11、太多太多了，不想再说了，都是泪啊；唯二还有希望的：携程英语测评之后泡池子、飞猪三面之后感觉自己也得g靠靠靠 damn damn，到底是谁在拿offer！

几轮面试基本没问八股，一直在狠狠拷打项目，还好经得住问，感觉要是拷打起我的八股更容易翻车呀。。。比较印象深刻的手撕：把出现的字符串组a替换为字符串组b。个人思路：把字符串组哈希成数组后上kmp。其它手撕都是些神秘模拟，什么按文件列表拆分后建树或者做优化搜索之类的，感觉好多串串，我讨厌字符串！或许是银牌的原因，好几家面试官都没出奇怪的算法 or 思维题，当面试官的面写一些细节比较多的模拟还是比较紧张的，一紧张就会写出奇怪的bug，然后一边解说一边调试qwq

春招实习都投了好多，全是拒绝，有一两个面试，面完也觉得希望渺茫，果真应证了那句26届学院本，buff拉满了

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...