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...

朋友的舍友大二，直接被字节捞走了，说是在github上看到了这位舍友的账号，直接联系本人了，我也一直在找实习，但是很少人要我😅😅😅

大家都在说今年找实习难，但是字节跳动招7000+，腾讯招10000+，合计1.7万个实习生岗位。这规模都快赶上某些985大学一届本科生的总数了。但是具体细节确别有洞天，字节7000个坑，研发类占了4800；腾讯更夸张，技术产品岗直接扩招39%，潜台词：能熟练使用AI工具的复合型人才实习生越多，正式工越少，与其说是实习生不如说是临时工。国家应该限制实习，每个人实习有上限，另一个不允许企业大规模招超长期实习生

下面按岗位通用必备 + 细分方向专精给你整理一套2026 年 AI 岗主流技术栈，从入门到就业全覆盖，不管校招社招都适用。 一、所有 AI 岗通用基础（必学） 1. 数学基础 • 线性代数：矩阵、向量、特征值、SVD、PCA • 概率论与统计：分布、期望、方差、贝叶斯、MLE/MAP • 微积分：梯度、偏导、链式法则、极值 • 最优化：梯度下降、Adam、SGD、LBFGS 2. 编程能力 • Python（主力语言） • 数据结构与算法：链表、树、图、动态规划、复杂度分析 • Linux 基础：命令行、环境部署、远程服务器 3. 机器学习基础 • 经典算法：LR、SVM、决策树、随机森林、G...