数据与评测
【语音识别LLM样本采集】现在我们有一个语音识别LLM的项目，你会如何采集样本？ 「腾讯」
原题【领域模型继续预训练数据选取】领域模型ContinuePreTrain数据选取? 「字节跳动、百度」
原题【海量多模态数据自动清洗管线】设计一套全自动的数据清洗、阈值过滤及课程学习管线，用于从千亿级海量多模态互联网数据（含大量水印、低俗内容）中获取高质量样本，支持快速迭代预训练，避免脏数据污染。需涵盖从最开始的收集到最终样本输出的完整流程，包括数据源选择、清洗策略、质量评估、课程学习安排等。 「京东、字节Seed、腾讯」
原题【数据集来源与构造】数据集的具体信息是什么？包括其形态、数据样例、数据格式、文本数据类型以及是否为问答数据集或其他类型？数据集使用的是公开数据集还是自己构造的？构造逻辑是自动的还是人工？是运营那边打标的吗？ 「京东、字节Seed、字节跳动、百度、美团、腾讯混元、蚂蚁集团、阿里巴巴」
原题【微调数据集规模】微调的数据集有多大规模? 「腾讯」
原题数据如何构造？请描述数据构造方案。用的什么模型去合成数据？那合成的网页数据也会用到fasttext去过滤吗？
算法工作有哪些（数据合成、小模型预训练）？
训练数据一般怎么做，注重什么？项目细节：用来训练的数据，有没有覆盖各个领域，还是偏向某个垂直领域？
原题完整原题
【数据构造与合成】数据如何构造？请描述数据构造方案。用的什么模型去合成数据？那合成的网页数据也会用到fasttext去过滤吗？算法工作有哪些（数据合成、小模型预训练）？训练数据一般怎么做，注重什么？项目细节：用来训练的数据，有没有覆盖各个领域，还是偏向某个垂直领域？ 「京东、字节跳动、百度文心、美团、腾讯、腾讯混元、阿里巴巴、阿里通义」
【数据标注】label是怎么设计的？打label、标签选择器？标注成什么样算合格？ 「美团、蚂蚁集团、阿里巴巴」
原题【数据格式与结构】数据结构、数据格式长什么样？ 「字节Seed、美团、阿里巴巴」
原题【数据类别划分】判断数据类别的时候是否考虑分更多类？ 「腾讯」
原题【数据集划分】数据集怎么划分的？ 「美团」
原题
暂无题目