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...

第一次发牛客，想让兄弟们给点建议，我就想找个Java实习🙄

上周字节跳动的 DeerFlow v2.0 在 GitHub 热榜霸了一周，49K+ Star，MIT 开源。说白了就是一个 AI Agent 操作系统——你定义多个子智能体，它帮你调度、记忆、安全执行。 今天带大家 从零跑通，不讲原理废话，直接上手。 这个项目能干嘛？ 举个例子：你让 DeerFlow "帮我调研 AI Agent 赛道的融资情况，生成一份报告"，它会：  规划拆解 → 主智能体把任务拆成子任务 研究智能体 → 调用搜索工具收集信息 编码智能体 → 在沙箱里跑数据分析脚本 写作智能体 → 把结果整理成结构化报告 记忆系统 → 下次你再问相关问题，它记得上次...