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...

28届2本非科班大概很快要找实习了，应该是偏ai应用开发方向

得吃了

1. 自我介绍2. 项目介绍3. 多智能体项目中，工具调用是怎么实现的？4. MCP 有哪些协议是否了解？5. RAG 的工作流程6. Tranformer 为什么出现？解决了什么问题？注意力机制介绍一下7. 大模型生命周期相关，训练，微调，量化，剪枝，蒸馏，部署，分布式等，从头到尾串了一遍8. 有一个垂域大模型，部署成本过高，如果要降低部署成本，你会选择蒸馏还是量化？9. Linux 进程与线程的区别10. Python GIL 锁有没有了解？怎么绕过 GIL 锁？11. Git 多人协作的时候怎么处理合并冲突？12. 开放性问题：你在学术项目中印象最深/感触最大的一件事13. 开放性问题：...