华为24届，base成都，看过来！

🏢 1.5 - 字节跳动 - 番茄小说（后端开发） 面试状态：一面（已挂，1.7 收到感谢信） 🗣️ 1. 自我介绍 常规自我介绍。 💻 2. 算法题（手撕代码） ① 数字串转化为字符串  题目描述：给出一个数字串（如 12322），要求给出所有可能的对应字符串组合（输出数组）。例如 12322，输出要列出 1 2 3 2 2 对应的字母 abcaa，12 3 2 2 对应 lcaa 等等。 结果：想了 5 分钟没思路，面试官主动提出换题。  ② 翻转字符串里的单词（URL倒置）  题目链接：************************ 结果：想了 5 分钟，在面试官指引下说出思路。...

现在好多技术都在学，项目还在搞，但是害怕时间太晚来不及了，只要有人要我就可以了小厂也可以，佬佬帮我看一下😭😭

感觉寄了，代码都让ai写了，现在心里慌慌慌。怕不给面试，也怕给了面试。第一次面试说要出一道算法题脑子一片空白😐。。。

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...