#evals

7言語で40本のAIポッドキャストを評価した。6つのパイプライン修正で、何が改善したか。

7言語40本の実エピソードでAIポッドキャストパイプラインを評価するフレームワークを構築した。 レビューステップがスクリプトを悪化させていた（3.34 → 2.91）。引用URLはすべて偽物に見えた（スコア: 1.28）。 中国語が最も弱いロケールだった（2.88）。6つの修正、1日、そして新しいモデルの後 — これが ビフォー/アフターの数字と、私が行ったすべての変更だ。