सेव किए हुए Pocket लिंक से o3 से अपना प्रोफाइल बनवाकर देखा

 (noperator.dev)
2 पॉइंट द्वारा GN⁺ 2025-07-08 | 1 टिप्पणियां | WhatsApp पर शेयर करें
  • Pocket बंद होने से पहले सेव किए गए लेखों को शिफ्ट करते समय पता चला कि 2018-07-12 से 2025-06-26 तक लगभग 7 साल में जमा हुए 878 Pocket लिंक व्यक्तिगत प्रोफाइल का अनुमान लगाने वाला डेटा बन सकते हैं
  • o3 से कहा गया कि सिर्फ सेव किए गए URL की सूची के आधार पर उम्र, लिंग, निवास-स्थान, शिक्षा स्तर, पेशा, आय, राजनीतिक झुकाव, पारिवारिक स्थिति, स्वास्थ्य रुचियां जैसे व्यक्तिगत गुणों का अनुमान लगाए
  • नतीजे 30 के मध्य से 40 के शुरुआती दशक, coastal VA में निवास, सीनियर/स्टाफ-लेवल software engineer, शादीशुदा और कई छोटे बच्चे आदि तक पहुंचे, और उम्र, लोकेशन व परिवार का आकार काफी सटीक निकला
  • CSV को फ़ाइल के रूप में अटैच करने की तुलना में जब उसे सीधे prompt body में चिपकाया गया, तो o3 का जवाब ज्यादा विश्वसनीय लगा; फ़ाइल अटैच करने के तरीके में वह Python sample analysis पर जरूरत से ज्यादा अटकने की प्रवृत्ति दिखा
  • साधारण “likes” या सेव किए गए लिंक के निशानों से भी अर्थपूर्ण अनुमान लगाए जा सकते हैं, और यह एहसास हुआ कि ऐसी analysis capability Google या Facebook जैसी विज्ञापन कंपनियों से आगे बढ़कर लगभग किसी के लिए भी उपलब्ध है

Pocket की सेव लिस्ट प्रयोग का डेटा बनी

  • Pocket बंद होने वाला था, इसलिए सेव किए गए लेख migrate करते समय पता चला कि सेव लिंक की सूची व्यक्तिगत पसंद के डेटा के रूप में इस्तेमाल होने लायक काफी बड़ी है
  • xsv से Pocket export CSV को जल्दी से देखा
    • columns थे title, url, time_added, tags, status
    • sample item में The Uncertain Future of American Libraries नाम का सेव लेख शामिल था
    • कुल सेव items की संख्या 878 थी
    • सेव करने की अवधि 2018-07-12 से 2025-06-26 तक थी
  • Simon Willison के o3 geoguessing experiment की याद आई, और यह देखने का फैसला किया कि सिर्फ URL list से अपने बारे में क्या पता लगाया जा सकता है

o3 को दिया गया profiling request

  • अस्थायी ChatGPT conversation में o3 का इस्तेमाल किया गया, और ChatGPT की memory feature का उपयोग नहीं किया गया
  • Pocket में सेव किए गए लेखों की सूची के आधार पर खुद की profiling करने को कहा गया
  • inference dimensions को व्यक्तिगत जानकारी से लेकर lifestyle patterns तक काफी व्यापक रखा गया
    • उम्र, लिंग, भौगोलिक लोकेशन
    • शिक्षा स्तर, industry/work domain, पद
    • income bracket, राजनीतिक झुकाव, risk-taking tendency
    • learning style, information diet
    • relationship status, parenthood और बच्चों की उम्र
    • health interests, major life transitions, रुचियों के seasonal patterns

o3 द्वारा बनाया गया व्यक्तिगत profile

  • o3 ने सेव लेखों के topics, sources और save timings के आधार पर कोई “पक्का निष्कर्ष” नहीं, बल्कि एक सुसंगत कहानी जैसा best-guess portrait बनाया
  • मुख्य demographic estimates इस तरह थे
    • उम्र: 30 के मध्य से 40 के शुरुआती दशक
    • लिंग: पुरुष
    • स्थान: coastal VA
    • शिक्षा: Computer Science या मिलते-जुलते क्षेत्र में BS/MS
    • पेशा: security और infrastructure में specialization वाला senior/staff-level software engineer
    • आय: household के आधार पर लगभग 150k–220k डॉलर
    • परिवार: शादीशुदा, 3–4 छोटे बच्चे, जिनमें कम से कम एक toddler
  • आधार के रूप में software, AI, cybersecurity, finance-related technical articles के साथ family life, homeschooling और Catholic practice से जुड़े लेखों का साथ-साथ दिखना इस्तेमाल हुआ
  • मनोविज्ञान और रुचियों का भी अपेक्षाकृत विशिष्ट अनुमान लगाया गया
    • राजनीतिक झुकाव: आर्थिक रूप से conservative, civil-libertarian और socially traditionalist
    • risk-taking: career में high, finance में medium
    • learning style: self-directed, text-centric, long-form articles और audio पसंद करने वाला
    • information diet: 60% deep-tech, 20% personal finance/FIRE, 10% parenting/household, 10% faith/culture
    • life trajectory: pure IC hacker से technical leadership और family-centered life, FI की ओर बढ़ते चरण में परिवर्तन
  • और सूक्ष्म संकेतों से faith, privacy और self-hosting, DIY tendency, Zone-2 training और sleep जैसी health interests, और writing urge का भी अनुमान लगाया

accuracy और input method में फर्क

  • नतीजे काफी accurate थे, और पहली बार पढ़ने पर डराने की हद तक अजीब लगे
  • भले ही ऐसा लगा था कि dataset का बड़ा हिस्सा Hacker News articles है, फिर भी o3 ने age range, location और family size जैसी details पकड़ लीं—यह खास तौर पर चौंकाने वाला था
  • यह experiment दिखाता है कि साधारण “likes” या saved traces से भी कितना कुछ infer किया जा सकता है
  • input method के हिसाब से result quality बदली
    • CSV data को prompt body में सीधे paste करने पर response ज्यादा accurate लगा
    • CSV को file attachment के रूप में भेजने पर o3 Python से sampling और analysis करने पर बहुत ज्यादा fixate करता दिखा
    • उस तरीके में अंतिम narrative कम convincing लगा

personalized recommendations और सबके लिए उपलब्ध analysis capability

  • यह धारणा पहले से परिचित है कि ad companies व्यक्त की गई interests के आधार पर users की profiling करती हैं
  • पहले ऐसा लगता था कि कई data points से meaningful conclusions निकालने की analysis capability सिर्फ Google या Facebook जैसी कंपनियों के पास है
  • अब ज्यादा दिलचस्प बदलाव यह है कि उसी तरह की technology लगभग कोई भी खुले तौर पर इस्तेमाल कर सकता है
  • इस profile का उपयोग personal content recommendation system चलाने के लिए करने की योजना है
  • migration process में Wallabag पर move किया गया, और Inoreader से FreshRSS पर भी switch किया गया
    • 2025 तक self-hosting पहले की तुलना में कहीं आसान हो गई है, और इसमें Caddy की बड़ी भूमिका बताई गई
  • CSV exploration के लिए xsv का इस्तेमाल किया गया
    • 2 महीने पहले के हिसाब से यह अब maintained नहीं लगता, लेकिन इसकी functionality काफी complete महसूस हुई

संबंधित पढ़ाई

1 टिप्पणियां

 
GN⁺ 2025-07-08
Hacker News की राय

  • यह लेख पढ़कर मुझे भी याद आया कि मेरे पास Pocket account archive है, इसलिए मैंने 4,200 items को o3, Gemini 2.5 Pro और Opus 4 में एक ही prompt के साथ डालकर देखा
    ChatGPT UI ने कहा कि input बहुत बड़ा है और submit करने से रोक दिया। यह करीब 80 हज़ार tokens था, यानी o3 के 200 हज़ार context size से छोटा था, फिर भी ऐसा हुआ
    Gemini 2.5 Pro ने personality और interests वाला profile काफी सही पकड़ा, लेकिन age range, role, location और parent होने-न-होने की predictions गलत रहीं
    Opus 4 ने कहीं ज़्यादा प्रभावशाली तरीके से सही अनुमान लगाए; उसने मेरे residence-based शहर Amsterdam, age range और relationship status तक ठीक-ठीक predict कर लिया, लेकिन parent होने का मुद्दा नहीं छुआ
    दोनों models मेरा job role पहचानने में असफल रहे, लेकिन यह समझ में आता है। असल में मैं data scientist हूं, लेकिन software लिखना पसंद है, इसलिए software engineering practice पर बहुत पढ़ता हूं, और कंपनी में वैसा काम करने का मौका न मिलने से personal projects code करता हूं, जिसके चलते मुझे system design वगैरह बहुत सीखना पड़ा। इसलिए दोनों ने मुझे software engineer माना
    कुल मिलाकर यह एक मज़ेदार experiment था, और यह बात ध्यान देने लायक लगी कि दोनों models ने photography को मेरा मुख्य hobby बताया। लेकिन अगर उन्होंने YouTube watch history भी देखी होती, तो शायद पूरे confidence से tennis कहते। जिन topics और interests को मैं आम तौर पर लेखों की बजाय videos के रूप में consume करता हूं, उनके लिए YouTube watch history और Pocket archive को मिलाना दिलचस्प होगा, लेकिन वह data हासिल करना आसान नहीं लगता

    • Google Takeout से शायद watch history समेत सारा YouTube data लिया जा सकता है
      यह लेख एक अच्छा example है:

      When I downloaded all my YouTube data, I’ve noticed an interesting file included. That file was named watch-history and it contained a list of all the videos I’ve ever watched.
      https://blog.viktomas.com/posts/youtube-usage/
      अगर आप यूरोपियन हैं, तो companies पर data access rights देने की कानूनी जिम्मेदारी है, लेकिन Google Takeout दुनिया भर में काम करता दिखता है

    • Google Takeout से history export करके मेरे देखे हुए सभी YouTube videos पर यह आज़मा पाया:
      https://takeout.google.com/settings/takeout/custom/youtube?p...
      उसके बाद pup और jq के combination से HTML file से video titles parse किए:
      cat watch-history.html \
      | pup '.outer-cell .mdl-grid .content-cell:nth-child(2) json{}' \
      | jq -r '.[] .children[0] | select(.tag != "br") | select(.text | startswith("https://www.youtube.com/watch?v=";) | not) | .text' \
      > videos.txt
    • अगर interest इतना बड़ा है, तो इसे signal मानकर software engineer roles में भी हाथ आज़माया जा सकता है
      इसका मतलब यह नहीं कि अभी की company में आपका काम related job ladder में shift नहीं हो सकता
    • prompt को iterative refinement pyramid की तरह इस्तेमाल करना चाहिए। सस्ते models से raw data के बड़े हिस्से को chunks में compress करें, फिर धीरे-धीरे ज़्यादा powerful और महंगे models को बड़े chunk sets पर apply करते हुए desired summary level तक जाएं
    • अगर दोनों models ने आपको software engineer माना, तो career path न सही, शायद कुछ हद तक वे सही भी हो सकते हैं :)

  • मेरे Pocket export से सीखी सबसे बड़ी बात यह थी कि articles के 99% unread थे। इससे मेरे बारे में compulsive link collection के अलावा और क्या infer किया जा सकता है, यह मुझे ठीक से नहीं पता :D

    • कई सालों तक Pocket का इस्तेमाल करके मैंने खुद को वापस काम पर लौटने की अनुमति दे दी
    • पढ़ी हुई और न पढ़ी हुई चीज़ों की तुलना करने पर revealed preference और stated preference का फर्क दिख सकता है। आम तौर पर किसी व्यक्ति का unread pile ज़्यादातर aspirations जैसा होता है, ऐसा मुझे लगता है
      ऐसा data काफी होगा; उदाहरण के लिए Amazon recommendation graph भी wishlist items और purchased items को अलग-अलग weights दे सकता है
    • आपने वे links save किए थे, चाहे पढ़े हों या नहीं, तो उसके पीछे कोई वजह रही होगी

  • आजकल लगता है कि बहुत से लोग इस विचार पर आ रहे हैं कि जैसे कंपनियाँ हमारे डेटा से बेहद सटीक content देती हैं, वैसे ही AI से अपने डेटा का विश्लेषण किया जाए
    हाल में मैंने https://labs.rs/en/browsing-histories/ पढ़ा और इसे अपनी पूरी browsing history पर आज़माया
    ChatGPT/Claude बातचीत के इतिहास पर भी यही किया, और सबसे डरावना तब लगा जब मैंने LLM को अपने Reddit comments का इतिहास देखने दिया
    मुख्य कठिनाई है पर्याप्त बड़ा context window और कई data sources के संदर्भ को track करना। एक तरीका जिसे मैं explore कर रहा हूँ, वह user profile track करने के लिए knowledge graph का उपयोग करना है। इससे behavior patterns को query की जा सकने वाली संरचना में compress किया जा सकता है, लेकिन graph बनाना खुद एक computational problem बन जाता है
    हाल में जिन ज़्यादातर AI startups के साथ मैंने काम किया, वे अंततः इसी पर पहुँचे: “text documents के bundle से बने vector database और knowledge graph तक LLM को access देना।” Text documents invoice, legal documents, tax documents, daily reports, meeting transcripts, code वगैरह हो सकते हैं
    उम्मीद है कि AI-आधारित personal content recommendation या profiling systems आएँगे। आर्थिक प्रोत्साहन Big Tech model के उलट है। engagement और ad revenue को optimize करने के बजाय user utility को optimize करता है
    RSS reader के दौर में curated technology और design content बहुत मिलता था, और उसी की वजह से मैं इस क्षेत्र में अपनी पसंद और ज्ञान को काफी विकसित कर पाया। इससे शानदार और दिलचस्प लोगों से जुड़ने में भी मदद मिली
    मेरी पसंदीदा apps में https://www.dimensional.me/ है, लेकिन MBTI और personality test वाला approach और कठोर हो सकता है। personality test नहीं, बल्कि कल्पना कीजिए कि digital devices पर मैं जो कुछ consume करता हूँ, लिखता हूँ और करता हूँ, वह सब system में डाला जाए, और मेरे बारे में knowledge graph लगातार update होता रहे

    • इसने मुझे एहसास कराया कि RSS का दौर कितना मददगार था। कई article sources follow करता था और रुचि के हिसाब से उन्हें मोटे तौर पर prioritize करता था
      high school में हजारों posts पढ़ते हुए मैं technology कैसे काम करती है, उसके बारे में बेहतर से बेहतर mental models बना पाया, जो सच में बहुत उपयोगी था। बहुत कुछ बदल गया है, लेकिन उस समय बनाए गए काफी models आज भी काफी सही हैं और जहाँ मेरी रुचि है वहाँ और गहराई में जाने में उपयोगी हैं
    • कहा तो जाता है कि “engagement और ad revenue के बजाय user utility के लिए optimize किया जाता है,” लेकिन क्या सच में ऐसा होगा, या यह हमें आरामदायक जेल में ही रहने में मदद करेगा?
      ज़ाहिर है engagement वाली जेल से आरामदायक जेल बेहतर है, लेकिन कभी-कभी शायद उससे बाहर निकलना भी ज़रूरी हो
      RSS reader के दौर की curation क्या उन लोगों ने नहीं की थी जिनसे हम हमेशा सहमत नहीं होते थे?

  • मैंने HN account को profile करके चिढ़ाने वाला एक similar tool बनाया: https://hn-wrapped.kadoa.com/
    मज़ेदार है और कभी-कभी डरावना भी
    Edit: username case-sensitive है

    • user comments के सिर्फ पहले page का sample लेने से ज़्यादा देखा जाए तो यह कहीं ज़्यादा मज़ेदार या insight देने वाला हो सकता है
      फिर भी काफी accurate था:
      Predictions
      Personal Projects
      After a deep dive into archaic data storage, you'll finally release 'Magnetic Tape Master 3000' – a web-based app that simulates data retrieval from a reel-to-reel, complete with authentic 'whirring' sound effects. It'll be a niche hit with historical computing enthusiasts and anyone who misses the good old days of physical media.
    • “आपके comments में detailed technical explanations या corrections अक्सर दिखते हैं, इसलिए लगता है कि आप या तो technology में गहराई से डूबे हुए व्यक्ति हैं, या बस कमरे में सबसे smart इंसान बनना पसंद करते हैं। सच कहें तो शायद दोनों ही हैं।”
      बिल्कुल निर्मम
    • ऐसा लगा जैसे ठीक से पकड़ लिया गया

      Your profile reads like a 'Hacker News Bingo' card: NASA, PhD, Python, 'Ask HN' about cheating, and a strong opinion on Reddit's community. The only thing missing is a post about your custom ergonomic keyboard made from recycled space shuttle parts.

    • prediction result:
      “आप HN upvote का अब तक अज्ञात black hole खोज लेंगे। आर्थिक अस्थिरता पर अच्छी तरह व्यवस्थित और nuanced comments सब विस्मृति में खिंच जाते हैं, और ‘Show HN: Rust में बनाई मेरी to-do list’ को 500 points मिलते हैं।”
      थोड़ा ज़्यादा क्रूर है, लेकिन अच्छी तरह बनाया गया है
    • हमारी company platform पर users की profiling करते समय हम ऐसा ही कुछ इस्तेमाल करते हैं। आम तौर पर LLM बहुत ज़्यादा “friendly” होते हैं, इसलिए user को roast करवाने पर महत्वपूर्ण, दिलचस्प या contradictory information बेहतर सामने आती है
      ऊपर से यह काफी मज़ेदार भी है

  • हाल में मुझे ऐसी चीज़ों में सचमुच बहुत रुचि है। इसमें सिर्फ Pocket saved articles ही नहीं, बल्कि ChatGPT/Gemini/Claude conversation history का meta-analysis भी शामिल है
    मैं hyper-personalized RSS summary script इस्तेमाल कर रहा हूँ, और पता चला कि जिन RSS feeds में मेरे लिए वास्तव में relevant items सबसे ज़्यादा हैं, वे उन feeds से काफी अलग हैं जिन्हें मैं casually पढ़ता हूँ
    अगला काम जो मैं आज़माना चाहता हूँ, वह मेरी रुचियों और relevance के मुताबिक एक generative world model बनाना है। उस world model के अलग-अलग हिस्सों को अलग-अलग cycles पर update और investigate किया जा सकता है
    तब मेरे लिए “news” का मतलब होगा कि news की वजह से उस world model में क्या बदलाव आया—उसका diff। साथ ही मेरे पास current world model का local/offline version हमेशा हो सकता है, इसलिए inbox, calendar, messages, tweets आदि को local model से filter या sort करने में यह उपयोगी लग सकता है

    • दिलचस्प लगता है। क्या थोड़ा और विस्तार से समझा सकते हैं?

  • पहले मज़े और जिज्ञासा में HN profiles पर ऐसा काम करने वाली एक छोटी script बनाई थी। submissions और comment history का उपयोग करके location, political leaning, career, age, gender जैसी profile का अनुमान लगाया था
    मुख्य motivation यह थी कि कई comment threads में हैरान करने वाले views देखकर सोचता था कि वे कहाँ से आए होंगे। profile कितनी accurate थी, इसका मुझे बिल्कुल पता नहीं, लेकिन LLM की ऐसी क्षमता देखने के लिए यह एक दिलचस्प experiment था

    • हाल में किसी ने article content और user profile के आधार पर HN front page पर जाने वाली posts predict करने के लिए इसका इस्तेमाल किया था
    • कम-से-कम इसे खुद पर चलाकर देखना दिलचस्प होगा कि यह कितना accurate है
    • यह याद है। मेरे लिए काफी accurate था, लेकिन थोड़ा ज़्यादा मीठा था। जैसे कि मैं दुनिया बचाने वाला हूँ, या ऐसा कुछ

  • थोड़े ज़्यादा वामपंथी रुझान वाले Catholic परिवार की पृष्ठभूमि से देखने पर, यह दिलचस्प लगा कि सिर्फ़ Catholic होने की वजह से conservative मान लिया गया। लगता है अमेरिका के Northeast में ऐसे Catholic ज़्यादा आम हैं

    • कुल मिलाकर, Catholic और Protestant दोनों—किसी भी denomination के हों—Northeast और West Coast में ज़्यादा progressive होने की संभावना रखते हैं, और Midwest व South में ज़्यादा conservative होने की संभावना रखते हैं
      यह 2025 में धर्म की औसत अहमियत कैसी है, इस बारे में कुछ बताता है
    • Pittsburgh में जन्मा, Catholic माहौल में पला-बढ़ा, और काफ़ी progressive हूँ। 90s में ही महिला altar servers थीं, और चर्च में ceremonies कर चुके openly gay members भी थे
      अब मैं Catholic नहीं हूँ, लेकिन 80s–90s का वह चर्च अच्छा चर्च था
    • निष्पक्षता से कहें तो असल में उसने यह कहा था:

      Fiscally conservative / civil-libertarian with traditionalist social leaning
      और आधार यह दिया था:
      Bogleheads & MMM frugality + Catholic/First Things pieces, EFF privacy, skepticism of Big Tech censorship
      आज का First Things धार्मिक social conservatism से जुड़ा media ज़्यादा है। अगर कोई Catholic है और First Things के लेख पढ़ता है, तो “conservative” वाली भविष्यवाणी काफ़ी सुरक्षित है
      हालांकि मुझे लगता है कि सिर्फ़ पढ़ी गई चीज़ों के आधार पर किसी को profile करना आम तौर पर गलती हो सकती है। मैं अक्सर ऐसे लेख भी पढ़ता हूँ जिनसे सहमत नहीं होता, कभी अपना विचार बदलता हूँ, और न भी बदलूँ तो असली तर्क क्या है यह जानने के लिए जान-बूझकर खोजकर पढ़ता हूँ। हालांकि यह जानना दिलचस्प है कि क्या मैंने ऐसे लेख Pocket में save किए होंगे

  • अगर सैकड़ों saved links एक flat list में पड़े हों, तो वह “read later” नाम का ईमानदार dumping ground ही होगा; ऐसे में AI या natural language processing से सब classify करवाकर उन items को आसानी से delete किया जा सकता है जिनमें अब interest नहीं है

  • दिलचस्प लेख है। अजीब बात है कि इसे पढ़कर लगा कि काश Pocket का ज़्यादा इस्तेमाल किया होता
    एक side note के तौर पर, LLM responses में दिखने वाला standard tone सचमुच उबाऊ होता जा रहा है। बातूनी output का typical format पहचान में आने लगा है:
    घिसी-पिटी बात! आम इंसान जैसे कई शब्दों के बाद, अंत में मूल जवाब आता है कि 2 plus 2 equals 4. फिर कुछ और ऐसे शब्द जो plausibly इंसानी लगते हैं!
    बेशक समझता हूँ कि internally यह सचमुच ऐसे ही काम करता है। LLM अपनी training की प्रकृति की वजह से point तक पहुँचने के लिए लंबा भटकता है। लेकिन क्या fluff post-processing से इसे हटाने की कोई उम्मीद नहीं है? एक और language-corpus machine इस्तेमाल किए बिना, inference engine के अंदर से ही असली जवाब distill करना चाहता हूँ
    यह पुराने internet recipe problem जैसा है। चाहिए यह:
    500g wheat flour
    280ml water
    10g salt
    10g yeast
    लेकिन असल में मिलता यह है:
    It was at the age of five, sitting
    on my grandmother’s lap in the
    cool autumn sun on West Virginia
    that I first tasted the perfect loaf…

    • बिना context के recipe पर भरोसा कैसे करें?
      लोग कहते हैं कि उन्हें एक चीज़ चाहिए, लेकिन उनका असली व्यवहार और पैसा कहीं और जाता है
      मैं मानता हूँ कि गैरज़रूरी fluff है। लेकिन “सिर्फ़ recipe दो” सच में लोग यही चाहते हैं, ऐसा मुझे नहीं लगता। और मुझे नहीं लगता कि यह नज़रिया कोई अनोखा exception है। क्या कभी सच में ऐसी बिल्कुल context-less recipe लेकर बनाना चाहा है?
    • यह ChatGPT जैसे general-purpose LLM apps की समस्या है। उन्हें broad appeal रखनी होती है, इसलिए अगर आप average user की चाहत से अलग जवाब चाहते हैं तो मुश्किल हो जाता है
      OpenAI ने कहा था कि वह ChatGPT output को ज़्यादा configurable बनाने पर काम कर रहा है
    • आखिर में “संक्षेप में जवाब दो” जोड़ दें तो काफ़ी अच्छी तरह काम करता है
      expert नहीं हूँ, लेकिन “thinking” models में चाहता हूँ कि वह संक्षेपण वाला step आखिर में हो। internally चाहे जितना लंबा सोचें, मुझे बस जवाब दे दें
    • संदर्भ के लिए, o3 ज़्यादातर दूसरे LLMs की तुलना में ज़्यादा जल्दी मुद्दे पर आता लगता है। इतना कि जब कोई व्यापक विषय पूछा जाए तो यह बहुत ज़्यादा संक्षेप कर देता है, और कभी-कभी ठीक-ठीक समझना मुश्किल हो जाता है कि यह क्या कहना चाह रहा है

  • LLM से अपने सारे tabs organize करने की संभावना के बारे में सोचता रहा हूँ। मैं उन भयानक tab collectors में से हूँ जिसने phone पर “:D” count display बहुत लंबे समय तक छोड़ रखा है
    आम तौर पर समय-समय पर सब साफ़ कर देता हूँ, लेकिन लंबे समय से ऐसा करने की motivation नहीं थी। बस tabs को CSV जैसी किसी चीज़ में आसानी से dump करने का तरीका चाहिए, जैसे Pocket से import किया गया था

    • हाल ही में unsorted bookmarks के साथ यह करके देखा। parallel API calls पहली बार इस्तेमाल की थीं
      gpt-4-nano के 10 threads ने bookmarks को 10-10 के batches में classify किया, और कुछ ही मिनटों में 10,000 bookmarks process कर दिए