·AI
Saya mengevaluasi 40 podcast AI dalam 7 bahasa. Enam perbaikan pipeline kemudian — inilah yang membaik.
Saya membangun framework evaluasi untuk menilai pipeline podcast AI saya di 40 episode nyata dalam 7 bahasa. Langkah review malah memperburuk skrip (3.34 → 2.91). Semua URL kutipan tampak palsu (skor: 1.28). Bahasa Mandarin adalah locale terlemah (2.88). Enam perbaikan, satu hari, dan satu model baru kemudian — inilah angka sebelum/sesudah dan setiap perubahan yang saya buat.