小米内推码

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...

拼多多测试一面，

第一天到公司的时候，我自己上楼了(入职邮件说了是哪一层)，到了相应楼层，给导师打电话，导师一脸吃惊，说怎么我就到了，还以为我过段时间才来，导师穿着一双拖鞋，留着长发，稍显随意，导致我对导师的初步印象是：这靠谱吗，哈哈哈给我安排好工位、办公电脑，转一圈认识组里同事之后，我就问导师组里的业务是啥，有没有一些资料让我熟悉一下。起初导师给我发了一些PPT，我看了一两个小时之后，导师突然间走过来，说：“算了，业务太多了，我给你讲讲和组里现在做的比较相关的”。然后花了一个小时，给我梳理了一遍组里的业务和相关专业名词，还给我介绍了整个技术栈。当天中午，导师就带我去饭堂吃饭。吃饭聊了一下，发现我俩没啥代沟，导...