跳到正文
我的
热点事件持续更新

GitHub 发布四代 AI 短信分类实验仓库

1 篇报道1 个报道来源1 小时前更新

先了解这件事

AI 综述

GitHub 仓库 danialtranz/K5-L3B-Day01-TranCanhHung_2A202603759-LLMFoundation 发布 Day 1 实验，用机器学习、深度学习、Embedding 与 LLM 四种方式完成同一 SMS spam/ham 分类任务，并在同一测试集上对比四种方案的 F1、训练时间、吞吐、延迟与 USD/1k 条成本。 实验在 Google Colab 上运行 2h30；Embedding 部分使用 all-MiniLM-L6-v2 生成 384 维向量，LLM 部分通过 OpenAI API 做 zero/few-shot 提示词分类并统计 token 成本。仓库称，没有 API key 仍可完成第 0–3 部分；第 4 部分会产生实际费用，但按 2026 年 11 月价格，用 gpt-6-luna 加 gpt-6.1-terra 处理 40 条短信，整篇费用低于 $0.01，且不会自行增加发送给 LLM 的短信数量。实验可在 CPU 上运行，若改用 T4 GPU，第 3 部分会更快。

AI 根据报道生成 · 37 分钟前更新

最新进展11月6日 15:26
K5-L3B-Day01 LLM Foundation 实验：用 ML、深度学习、Embedding 与 LLM 四种方式过滤垃圾短信

报道时间线

沿着报道，了解事件的不同侧面。

11月6日
  1. GitHub · 去对齐工具与仓库
    K5-L3B-Day01 LLM Foundation 实验：用 ML、深度学习、Embedding 与 LLM 四种方式过滤垃圾短信

    GitHub 仓库 danialtranz/K5-L3B-Day01-TranCanhHung_2A202603759-LLMFoundation 发布 Day 1 实验，用 Machine Learning、Deep Learning、Embedding 与 LLM 四种方式完成同一 SMS spam/ham 分类任务。实验在 Google Colab 上运行 2h30，Embedding 部分使用 all-MiniLM-L6-v2 生成 384 维向量，LLM 部分通过 OpenAI API 做 zero/few-shot 提示词分类并统计 token 成本。最终在同一测试集上对比四种方案的 F1、训练时间、吞吐、延迟与 USD/1k 条成本。

本事件热度走势

还没有足够的连续观测数据，暂不绘制趋势。