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...

之前盲目的跟着学校学了2年 只是把前端学到了vue2并拿了一些没什么用的奖没有四大件 没有算法大三上学期 去年11月中旬才开始报机构学习 后面感觉自己不是计算机的料就在秋招的时候往别的方向上投简历却屡屡碰壁直到今年11月份 才不得不重新找回计算机 尝试回顾自己曾经学的东西 把前端学到了vue3 找回了之前后端的全部技术 敲了个springboot+vue3的项目 并熟背八股文这种的到了春招的时候却依然碰壁 连小厂的实习都找不到说实话有点绝望 不知道怎么办

暑期实习投了十几天，能投的都投了，一个面试没有，pdd，快手，小米直接挂，不然一直都泡池子，简历还能怎么改进吗，后端还是太卷了