HoangQuan23112004发布Day 1垃圾短信分类实验
先了解这件事
HoangQuan23112004 在 GitHub 发布 K5-L3B-Day01 LLMFoundation 实验仓库，用机器学习、深度学习、Embedding 和 LLM 四种方式在同一 SMS spam/ham 数据集上做垃圾短信分类，并以 F1、延迟 p50/p95、USD/1k 条短信等指标对比质量、速度与成本。实验在 Google Colab 上约 2h30 完成；Embedding 部分使用 all-MiniLM-L6-v2 输出 384 维向量。 仓库说明称，Phần 0–3 没有 OpenAI API key 也能完成，Phần 4 需要 key，按 2026 年 11 月价格，用 gpt-6-luna 加 gpt-6.1-terra 的 40 条短信整篇花费低于 $0.01，且不自行增加发送给 LLM 的短信数量。该仓库还称这个 side lab 不属于主评分项，完成可按 RUBRIC.md 计入 bonus。
AI 根据报道生成 · 3 小时前更新
报道时间线
沿着报道，了解事件的不同侧面。
- GitHub · 去对齐工具与仓库K5-L3B-Day01 LLMFoundation 实验：用 ML、DL、Embedding、LLM 四种方式过滤垃圾短信
GitHub 仓库 HoangQuan23112004/K5-L3B-Day01-Hoang-Duong-Anh-Quan-2A202603735-LLMFoundation 发布 Day 1 实验，用 Machine Learning、Deep Learning、Embedding 与 LLM 四种方式在同一 SMS spam/ham 数据集上做分类并对比质量、速度与成本。实验在 Google Colab 上约 2h30 完成，Phần 4 需 OpenAI API key，其余部分无 key 也可完成；Embedding 部分使用 all-MiniLM-L6-v2 输出 384 维向量，最终以 F1、延迟 p50/p95、USD/1k 条短信等指标做权衡比较。
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。