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...

先上Timeline:3.17 一面（一小时后通知过了）3.21 二面（面试在周末，周一上午通知过了）3.25 三面（半小时后通知过了）3.26 hr面（当天晚上发offer）面试内容：一二三面基本上都是拷打实习+项目，🈚️八股一二面各一道非常简单的算法，三面🈚️算法hr面主要是了解个人经历、性格，以及就业规划等总体感受：整个流程非常快，这个必须点赞每个面试官的专业能力就不用说了，会问到一些可能自己之前没考虑过的问题，也会现场引导我思考。整体面试氛围很轻松，像是在和同学一起讨论技术问题，交流各自的想法一样，聊的很开心暑期投了不少大厂，但只有腾讯字节给面试，其他公司都没给机会腾子那边也挂了几次不过还好最后如愿进字节了

报志愿时候是幻想的学技术时候是后端的找实习时候是卷爆的谈薪资时候是压价的上班的时候是想死的我当务之急应该马上回家里蹲准备考公考编，而不是在这里天天加班开会😡

这部门我刷到连商科的都捞，没有问Java相关问题，都是在对我项目的选型进行提问，也算是让我换个角度去思考问题。秒杀模块有没有调研其他厂商，你写的秒杀模块和其他厂商的有什么具体不一样的地方为什么要用消息队列异步写库，数据库在什么情况下会有压力，数据库资源规格是什么样的，比如分配了多少内存，cpu，磁盘你说你是模拟的，那模拟到什么程度数据库会有瓶颈，怎么判断达到瓶颈，用户量达到什么程度需要异步为什么要设计caffeine+redis二级缓存框架，为什么热key会造成redis的压力，如果只是读取压力有这么大吗，热key的读取压力和非热key读取redis承受能力有多大差距加入caffeine之后数...