प्रैक्टिस से नोट्स.

मैंने 7 भाषाओं में 40 AI podcasts का evaluation किया। छह pipeline fixes के बाद — यहाँ बताया कि क्या improve हुआ।

मैंने 7 भाषाओं में 40 real episodes पर अपने AI podcast pipeline को grade करने के लिए एक eval framework बनाया। Review step scripts को और खराब कर रहा था (3.34 → 2.91)। सभी citation URLs fake लग रही थीं (score: 1.28)। Chinese सबसे कमज़ोर locale था (2.88)। छह fixes, एक दिन और एक नया model बाद — यहाँ हैं before/after numbers और हर वो change जो मैंने किया।