@cjzafir: 我在我的书签上微调了一个模型。我尝试了一切来让模型理解我喜欢什么,我热爱什么内容……
摘要
作者在其书签上微调了一个模型,以创建一个个性化的内容推荐算法,该算法每天扫描社交媒体和研究论文,并适应用户反馈。
查看缓存全文
缓存时间: 2026/09/12 18:59
我对自己的书签数据进行了模型微调。
尝试了各种方法让模型理解我的喜好、常浏览的内容,以及令我兴奋的创意——但所有技巧和指令都收效甚微。
后来我请Fable 5.1编写了一个微型算法。
这个算法能扫描我的X、Instagram和YouTube的收藏记录(那里有500多条保存内容,足够形成反映我喜好的数据集)。
随后Fable 5.1与GPT 6 Astra协同解析每项内容(包括推文、长文、文章、短视频;针对长视频则调用Gemini 3.8 Flash提取带时间戳的完整洞察)。
它们将这些兴趣片段构建成神经网络系统——一个基于兴趣偏好的虚拟人格画像。这很关键,因为从此算法能精准预测我必定会喜欢的内容。
如今该算法每天清晨通过定时任务扫描X(通过X Grok API)、Instagram、YouTube和Reddit,实时更新我的信息流。
这类似X平台的“为你推荐”,但更智能且高度个性化。
有趣的是:我可以通过反馈调整算法(比如“我特别喜欢这篇帖文,请推荐更多类似主题的内容”),算法会提升相关兴趣权重,在后续扫描中优先推送。
通过这个“信息流”我收获颇丰。由于热爱研究论文,现在它每周会推送三篇学术论文,并转换成符合我风格的长文形式。若感兴趣,我可以深入提问、查阅原论文,或让它生成图表以便理解。
简言之,这就像是赋予Grok定制算法的能力,创造出真正个性化的体验。
不过现在我的信息流有点冷清哈哈。但这未必是坏事——我感觉X正逐渐变成突发新闻聚合地,充斥着太多冗杂信息和无关噪音。
如果大家感兴趣,我可以分享更多关于这个“信息流”的细节。
相似文章
@cjzafir: 我日常使用的模型:> Codex 5.5 high (fast) > Deepseek v4 pro via API > Kimi 2.6 via API 我正在微调的模型...
用户分享了一份日常使用的AI模型列表(Codex 5.5、Deepseek v4 pro、Kimi 2.6)以及用于微调的模型(Qwen 3.5系列、Gemma4 E4B、GPT-oss 20B),目标是微调小型语言模型(SLM)成为专家语言模型(ELM)。
@cjzafir:在 Claude Fable 5 被禁之前,我把我所有的微调研究和实验变成了一个产品:http://Finetuner…
开发者 @cjzafir 宣布推出 Finetuner.dev,一个 CLI 工具,利用 Codex 5.5 等编排模型以及中国模型生成高质量、手工精制的数据集,用于微调小语言模型(1B-30B),声称成本降低 10 倍,质量提升 5 倍。
@omarsar0: Hacker News → LLM 工具 | 我打造了最个性化的 HN 信息流,它只追踪我的研究相关话题,基于记忆与…
一位研究人员利用 LLM、记忆机制和主动式智能体,构建了一个个性化的 Hacker News 信息流,只推送与其研究兴趣相关的内容,彻底告别书签管理。
@oneill_c: 1/ 我们微调了很多客户模型,因此我们决定系统地尝试找出一些微调的最佳实践…
该帖子分享了关于微调最佳实践的系统性实验结果,一次改变一个SFT变量,涵盖密集模型和MoE模型(参数规模达235B),在四个真实客户数据集上使用自定义评估来消除混淆因素。
@no_stp_on_snek:微调小型开放模型时真正让我惊讶的事情。注意,我在这方面还算新手,所以有些内容可能看起来很显而易见……
一位开发者分享了微调小型开放模型时令人惊讶的经验教训,包括基础模型往往已经在预期改进点上达到极限,真正的弱点在于行为(屈服),而微调需要仔细的衡量和平衡。