#evals

我評估咗 7 種語言嘅 40 個 AI 播客。六次管線修復之後——呢度匯報實際改善。

我構建咗一個評估框架，喺 7 種語言嘅 40 個真實集數上為我嘅 AI 播客管線評分。 審查步驟反而令腳本變差（3.34 → 2.91）。所有引用 URL 都睇落係假嘅（得分：1.28）。 中文係最弱嘅語言（2.88）。六項修復、一日同一個新模型之後——呢度係 前後對比數字同我做嘅每一個更改。