我们使用了我们的蒸馏平台和一个Kaggle数据集，制作了一个小型（270M Gemma基础）模型，用于将文本分类为“AI垃圾”或“非AI垃圾”。这款模型不仅有趣，构建过程也很有趣。
令人恼火的是，正式的人类撰写文本（例如我在2015年写的一篇机器学习论文）往往会被错误分类（试试这段话：“如果用户的编辑未能考虑阴影，操控的图像会失去可信度。我们提出了一种方法，使得软阴影的去除和编辑变得简单。软阴影无处不在，但提取和处理它们仍然 notoriously困难。我们假设可以通过学习图像补丁的映射函数来对软阴影进行分割和编辑，从而生成阴影遮罩。我们通过仅需少量用户输入就能从照片中去除软阴影来验证这一假设。”）。
返回首页
一周热榜
在过去六个月里，我使用Vibecoded开发了几款iOS应用和一个完整的SaaS（SEOZilla.ai），老实说，我三到四个月前的最佳编码代理会话会是很好的提交。出色的调试，识别糟糕的架构选择，反复的解决问题。
但最近呢？我主要在撰写产品规格，做一些简单的架构决策，以及进行质量保证。代理们就……处理这些事情。无论是Opus、Sonnet、Cursor，还是你正在使用的其他工具，过去两个月的进步真是惊人。
这引出了一个真实的问题：YC到底在这个提示中选择什么？最令人印象深刻的会话可能来自使用更差工具或解决更难问题的人。那些找到了最佳工作流程的创始人，可能会有最无聊的记录。
还有其他人发现他们的“最佳”代理会话现在反而是最无趣的吗？
我创建这个工具是为了帮助解决一个个人问题：我总是错过有趣的新论文，除非我特意坐下来搜索arXiv或管理提醒。
我尝试过的大多数工具（如学术提醒、RSS、关注作者）在理论上是有效的，但在实践中往往变成了收件箱管理，或者假设了一个非常狭窄的领域。我的工作是跨学科的，我希望有一种方法可以在短暂的时刻中随意注意到新论文，而无需投入完整的文献检索。
因此，我构建了一个以移动为优先的阅读器，论文以信息流的形式出现。你可以快速浏览最近的论文，浏览标题和摘要，并给予轻量级的反馈（比如跳过）。这个想法并不是要取代深入阅读，而是降低获取信息的成本，帮助发现值得更仔细查看的内容。
这个工具仍处于早期阶段，且有些主观，我相信还有一些权衡是我没有考虑到的。我非常希望能得到反馈，具体包括：
1. 这种发现模型是否有意义；
2. 这里的人们在实践中是如何跟进论文的；
3. 与现有工作流程相比，这种方法在哪些方面存在不足。
欢迎提出问题。