Я превратил модель 397B в модель 4B за 1,60 доллара. Теперь он улавливает 28 из 33 предупреждений о парках, которые должны остановить ваш поход.

Это заявка на Hacktoberfest Open-Source AI Challenge Week 1: Touch Grass Я поручил Qwen3.5-397B пометить каждое действующее предупреждение Службы национальных парков, 627 из них, а затем использовал Tinker для точной настройки Qwen3.5-4B при выполнении домашнего задания, используя собственные категории рейнджеров в качестве ключа ответа. При 126 задержанных предупреждениях точно настроенный 4B перешел от обнаружения 17 из 33 предупреждений, которые должны остановить путешественника, к 28 из 33, а точность принятия решений возросла с 64,3% до 74,6%. Статистически выигрыш сохраняется (парный тест, p = 0,015). Это стоит 0,13 доллара за 1000 оповещений, что примерно в 11 раз меньше, чем у учителя, а весь конвейер ML стоит 1,60 доллара. Единственная задача модели — производить одну печатную карточку в неделю, чтобы вы могли перестать проверять предупреждения о парковке и выйти на улицу. ТЛ;ДР Что: TrailTruth считывает каждое предупреждение NPS для интересующих вас парков раз в неделю и распечатывает по одной карточке для каждого парка: ПРОЙДИТЕ, ВНИМАНИЕ или НЕ ПРОХОДИТЕ, а также маршруты, которые следует пропустить. Потом будет тихо до следующей пятницы. Результат Tinker: LoRA на Qwen3.5-4B, полученный из Qwen3.5-397B-A17B, дает точность принятия решения 0,746 по 126 удерживаемым оповещениям против 0,643 для той же базовой модели (+10,3 балла, 95% ДИ от +3,2 до +17,5, точный McNemar p = 0,015). В оповещениях, которые должны вас остановить, он перехватывает 28 из