1、介绍自己做过的项目--->项目中的难点（你怎么解决和思考的）2、java的基础知识： 2.1、问了hashMap底层原理，以及为什么hashMap线程不安全。 我说了一下数组+链表+红黑树（1.8），在链表长度链表长度 > 8 且数组长度 ≥ 64 时，链表转为红黑树，红黑树节点数 < 6 时，退化为链表。hashMap的内部操作不是原子性的，在多线程情况下会出现数据覆盖和丢失问题。比如两个线程同时put，发现key的hash位置为空。线程a挂起，线程b写入，随后A恢复，会直接覆盖b的数据。 2.2、GC垃圾回收算法 我说了分代收集法、复制算法、标记清楚法，以及他们的优缺...

竞赛聊胜于无，实习也没学到东西

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...