#evals

我评估了 7 种语言的 40 个 AI 播客。六次管线修复之后——这里汇报实际改善。

我构建了一个评估框架，在 7 种语言的 40 个真实剧集上为我的 AI 播客管线打分。 审查步骤反而让脚本变差（3.34 → 2.91）。所有引用 URL 看起来都是假的（得分：1.28）。 中文是最弱的语言（2.88）。六项修复、一天和一个新模型之后——这里是 前后对比数字和我所做的每一个更改。