Guadazi

08-22

数据脱敏（PII）

08-22

数据配比与混合策略

08-22

预训练数据采集与来源

08-22

Tokenization：SentencePiece 原理

08-22

Tokenization：BPE 原理

08-22

MinHash / LSH 模糊去重

08-22

I/O 优化手段

08-22

数据管道全链路设计范式

08-22

数据格式对比：JSONL / Parquet / Arrow / ORC

08-22

Flink 流批一体与状态管理