Ich ließ o3 mich anhand meiner gespeicherten Pocket-Links profilieren

 (noperator.dev)
2 Punkte von GN⁺ 2025-07-08 | 1 Kommentare | Auf WhatsApp teilen
  • Beim Umzug gespeicherter Artikel vor der Einstellung von Pocket stellte sich heraus, dass 878 Pocket-Links, die sich über rund sieben Jahre vom 12.07.2018 bis zum 26.06.2025 angesammelt hatten, als Datenbasis zur Ableitung eines persönlichen Profils dienen können
  • o3 wurde gebeten, allein anhand der Liste gespeicherter URLs persönliche Merkmale wie Alter, Geschlecht, Wohnort, Bildungsniveau, Beruf, Einkommen, politische Neigung, Familienstand und Gesundheitsinteressen zu schätzen
  • Das Ergebnis lief auf Mitte 30 bis Anfang 40, Wohnort an der Küste von Virginia, Senior-/Staff-Level Software Engineer, verheiratet und mehrere kleine Kinder hinaus; Alter, Standort und Familiengröße trafen ziemlich genau zu
  • Die Antworten von o3 waren überzeugender, wenn die CSV direkt in den Prompt-Text eingefügt wurde, statt sie als Datei anzuhängen; bei Dateianhängen neigte o3 dazu, sich zu stark auf die Python-Stichprobenanalyse zu fixieren
  • Schon einfache „Likes“ oder Spuren gespeicherter Links ermöglichen aussagekräftige Schlussfolgerungen; spürbar wurde dabei, dass solche Analysefähigkeiten nicht mehr nur Werbeunternehmen wie Google oder Facebook vorbehalten sind, sondern fast jedem offenstehen

Pocket-Speicherliste wird zu Experimentdaten

  • Da Pocket eingestellt werden soll, wurden gespeicherte Artikel migriert; dabei zeigte sich, dass die Liste gespeicherter Links groß genug ist, um als Daten über persönliche Vorlieben zu dienen
  • Der Pocket-Export als CSV wurde schnell mit xsv untersucht
    • Die Spalten sind title, url, time_added, tags, status
    • Ein Beispieleintrag enthielt den gespeicherten Artikel The Uncertain Future of American Libraries
    • Gesamtzahl der gespeicherten Einträge: 878
    • Speicherzeitraum: 12.07.2018 bis 26.06.2025
  • Angeregt durch Simon Willisons o3-Geoguessing-Experiment entstand die Idee zu prüfen, was sich allein aus der URL-Liste über die eigene Person herausfinden lässt

Der Profiling-Auftrag an o3

  • Verwendet wurde o3 in einer temporären ChatGPT-Unterhaltung; die Memory-Funktion von ChatGPT wurde nicht genutzt
  • Die Bitte lautete, auf Basis der in Pocket gespeicherten Artikelliste ein Profiling der eigenen Person vorzunehmen
  • Die Ableitungsdimensionen wurden breit gefasst, von persönlichen Daten bis zu Lebensmustern
    • Alter, Geschlecht, geografischer Standort
    • Bildungsniveau, Branche/Tätigkeitsfeld, Positionsebene
    • Einkommensspanne, politische Neigung, Risikobereitschaft
    • Lernstil, Informationsdiät
    • Beziehungsstatus, Elternschaft und Alter der Kinder
    • Gesundheitsinteressen, wichtige Lebensübergänge, saisonale Muster der Interessen

Das persönliche Profil, das o3 erstellte

  • Auf Grundlage der Themen, Quellen und Speicherzeitpunkte der Artikel erzeugte o3 ein Best-Guess Portrait, das weniger eine sichere Schlussfolgerung als eine konsistente Erzählung war
  • Die wichtigsten demografischen Schätzungen lauteten:
    • Alter: Mitte 30 bis Anfang 40
    • Geschlecht: männlich
    • Standort: Küste von Virginia
    • Bildung: BS/MS in Informatik oder einem ähnlichen Fach
    • Beruf: Senior-/Staff-Level Software Engineer mit Schwerpunkt Security und Infrastruktur
    • Einkommen: etwa 150.000 bis 220.000 US-Dollar auf Haushaltsebene
    • Familie: verheiratet, 3–4 kleine Kinder, davon mindestens eines im Kleinkindalter
  • Als Grundlage dienten gemeinsam auftretende Artikel zu Software, AI, Cybersecurity und Finanztechnologie sowie zu Familienleben, Homeschooling und katholischer Praxis
  • Auch Psyche und Interessen wurden vergleichsweise konkret geschätzt
    • Politische Neigung: fiskalisch konservativ, bürgerlich-libertär und gesellschaftlich traditionalistisch
    • Risikobereitschaft: hoch in der Karriere, mittel bei Finanzen
    • Lernstil: selbstgesteuert, textzentriert, mit Vorliebe für lange Texte und Audio
    • Informationsdiät: 60 % Deep-Tech, 20 % persönliche Finanzen/FIRE, 10 % Kindererziehung und Haushalt, 10 % Glaube und Kultur
    • Lebensverlauf: vom reinen IC-Hacker hin zu technischer Führung, familienzentriertem Leben und einer Orientierung auf FI
  • Aus subtileren Hinweisen wurden außerdem Glaube, Privacy und Self-Hosting, DIY-Neigung, Gesundheitsinteressen wie Zone-2 training und Schlaf sowie ein Schreibdrang abgeleitet

Genauigkeit und Unterschiede je nach Eingabeform

  • Das Ergebnis war ziemlich genau und beim ersten Lesen fast unheimlich
  • Besonders überraschend war, dass o3 Details wie Altersgruppe, Standort und Familiengröße traf, obwohl ein großer Teil des Datensatzes für Hacker-News-Artikel gehalten wurde
  • Das Experiment zeigt, wie viel sich bereits aus einfachen „Likes“ oder gespeicherten Spuren ableiten lässt
  • Die Qualität der Ergebnisse hing von der Eingabeform ab
    • Wurden die CSV-Daten direkt in den Prompt-Text eingefügt, wirkte die Antwort genauer
    • Wurde die CSV als Datei angehängt, neigte o3 dazu, sich zu sehr auf Sampling und Analyse mit Python festzulegen
    • Bei dieser Methode wirkte die abschließende Erzählung weniger überzeugend

Personalisierte Empfehlungen und Analysefähigkeiten für alle

  • Dass Werbefirmen Nutzer auf Basis geäußerter Interessen profilieren, ist bereits eine vertraute Annahme
  • Früher fühlte es sich so an, als hätten nur Unternehmen wie Google oder Facebook die Analysefähigkeiten, um aus vielen Datenpunkten aussagekräftige Schlussfolgerungen zu ziehen
  • Die spannendere Veränderung ist nun, dass dieselbe Art von Technologie fast jedem öffentlich zur Verfügung steht
  • Dieses Profil soll verwendet werden, um ein persönliches Content-Empfehlungssystem zu betreiben
  • Im Zuge der Migration wurde zu Wallabag gewechselt und außerdem von Inoreader zu FreshRSS
    • Self-Hosting ist 2025 deutlich einfacher als früher, wobei Caddy als wichtiger Faktor eingeschätzt wird
  • Zur CSV-Erkundung wurde xsv verwendet
    • Stand vor zwei Monaten wirkte es zwar nicht mehr aktiv gepflegt, aber funktional dennoch ziemlich ausgereift

Verwandte Beiträge

1 Kommentare

 
GN⁺ 2025-07-08
Meinungen auf Hacker News

  • Beim Lesen dieses Beitrags fiel mir ein, dass ich auch ein Pocket-Kontoarchiv habe, also habe ich 4.200 Einträge mit demselben Prompt in o3, Gemini 2.5 Pro und Opus 4 eingegeben.
    Die ChatGPT-UI blockierte die Eingabe mit dem Hinweis, sie sei zu groß. Es waren etwa 80.000 Tokens, also weniger als die Kontextgröße von 200.000 bei o3, trotzdem ging es nicht.
    Gemini 2.5 Pro lag beim Profil zu Persönlichkeit und Interessen ziemlich richtig, irrte sich aber bei Altersspanne, Tätigkeit, Standort und Elternstatus.
    Opus 4 war deutlich beeindruckender und sagte Amsterdam als Wohnortbasis, Altersspanne und Beziehungsstatus korrekt voraus, ging aber nicht auf den Elternstatus ein.
    Beide Modelle scheiterten daran, meine berufliche Rolle zu erraten, was ich nachvollziehen kann. Eigentlich bin ich Data Scientist, aber weil ich gerne Software schreibe, lese ich viel über Software-Engineering-Praxis, und da ich in der Firma keine Gelegenheit habe, solche Dinge zu tun, programmiere ich private Projekte und musste deshalb viel über Systemdesign usw. lernen. Daher hielten mich beide für einen Software Engineer.
    Insgesamt war es ein unterhaltsames Experiment, und auffällig war, dass beide Modelle Fotografie als mein wichtigstes Hobby nannten. Hätten sie aber auch meinen YouTube-Wiedergabeverlauf gesehen, hätten sie vermutlich ziemlich sicher Tennis gesagt. Themen und Interessen, die man eher per Video als über Texte konsumiert, zusammen mit dem YouTube-Wiedergabeverlauf und dem Pocket-Archiv zu betrachten, wäre interessant, aber an diese Daten zu kommen, scheint nicht einfach zu sein.

    • Über Google Takeout sollte man alle YouTube-Daten einschließlich Wiedergabeverlauf herunterladen können.
      Dieser Beitrag ist ein gutes Beispiel:

      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/
      Als Europäer hat man zwar einen gesetzlichen Anspruch darauf, dass Unternehmen Datenzugriff bereitstellen, aber Google Takeout scheint weltweit zu funktionieren.

    • In Google Takeout konnte ich den Verlauf exportieren und das mit allen YouTube-Videos, die ich angesehen habe, ausprobieren:
      https://takeout.google.com/settings/takeout/custom/youtube?p...
      Danach habe ich mit einer Kombination aus pup und jq die Videotitel aus der HTML-Datei geparst:
      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
    • Wenn das Interesse so groß ist, kann man es als Signal nehmen und auch eine Software-Engineer-Rolle in Betracht ziehen.
      Das heißt nicht, dass sich deine aktuelle Arbeit im Unternehmen nicht auf eine entsprechende Jobleiter übertragen ließe.
    • Man sollte den Prompt wie eine Pyramide iterativer Verfeinerung einsetzen: Mit günstigen Modellen den Großteil der Rohdaten blockweise komprimieren und dann nach und nach stärkere und teurere Modelle auf größere Mengen von Blöcken anwenden, bis man die gewünschte Zusammenfassungsebene erreicht.
    • Wenn zwei Modelle dich für einen Software Engineer gehalten haben, könnte das zumindest teilweise stimmen, auch wenn es nicht dein Karrierepfad ist :)

  • Das Wichtigste, was ich aus meinem Pocket-Export gelernt habe, war, dass 99 % der Artikel den Status ungelesen hatten. Ich bin mir nicht sicher, was man daraus über mich ableiten kann, außer zwanghaftes Linksammeln :D

    • Ich habe Pocket jahrelang genutzt, um mir selbst die Erlaubnis zu geben, wieder an die Arbeit zurückzugehen.
    • Wenn man Gelesenes und Ungelesenes vergleicht, sieht man vielleicht den Unterschied zwischen offenbarten Präferenzen und erklärten Präferenzen. Ich denke, der ungelesene Stapel der meisten Leute ist eher eine Art Wunschbild.
      Solche Daten dürfte es reichlich geben; zum Beispiel könnte auch Amazons Empfehlungsgraph Wunschlistenartikel und gekaufte Artikel unterschiedlich gewichten.
    • Ob gelesen oder nicht: Es gab sicher einen Grund, warum diese Links gespeichert wurden.

  • Ich habe das Gefühl, dass derzeit viele Menschen bei der Idee ankommen, die eigenen Daten mit KI zu analysieren, so wie Unternehmen unsere Daten nutzen, um uns hochpräzise Inhalte zu liefern.
    Kürzlich habe ich https://labs.rs/en/browsing-histories/ gelesen und das auf meine gesamte Browser-Historie angewendet.
    Dasselbe habe ich mit meinen ChatGPT-/Claude-Konversationsverläufen gemacht; am gruseligsten war, ein LLM meine Reddit-Kommentarhistorie ansehen zu lassen.
    Die größte Schwierigkeit ist ein ausreichend großes Kontextfenster und das Nachverfolgen von Kontext über mehrere Datenquellen hinweg. Ein Ansatz, den ich gerade ausprobiere, ist die Verwendung eines Knowledge Graph, um ein Nutzerprofil nachzuverfolgen. Damit lassen sich Verhaltensmuster in eine abfragbare Struktur verdichten, aber der Aufbau des Graphen wird selbst zu einem Rechenproblem.
    Die meisten AI-Startups, mit denen ich zuletzt gearbeitet habe, liefen am Ende auf „Man gibt einem LLM Zugriff auf eine Vektordatenbank und einen Knowledge Graph aus einem Bündel von Textdokumenten“ hinaus. Die Textdokumente können Rechnungen, juristische Dokumente, Steuerunterlagen, Tagesberichte, Meeting-Transkripte, Code usw. sein.
    Ich hoffe, dass KI-gestützte Systeme für persönliche Content-Empfehlungen oder Profiling entstehen. Der wirtschaftliche Anreiz ist dem Modell von Big Tech entgegengesetzt: Statt Engagement und Werbeumsatz zu optimieren, optimieren sie den Nutzen für den Nutzer.
    In der RSS-Reader-Ära habe ich viel kuratierte Technik- und Design-Inhalte konsumiert, und dadurch konnte ich meinen Geschmack und mein Wissen in diesen Bereichen ziemlich weit entwickeln. Es half auch dabei, mit interessanten und beeindruckenden Leuten in Kontakt zu kommen.
    Eine App, die ich mag, ist https://www.dimensional.me/, aber der MBTI- und Persönlichkeitstest-Ansatz könnte strenger werden. Man kann sich vorstellen, dass es nicht um Persönlichkeitstests geht, sondern darum, alles, was ich auf digitalen Geräten konsumiere, schreibe und tue, in ein System zu geben und einen Knowledge Graph über mich fortlaufend zu aktualisieren.

    • Mir ist dadurch klar geworden, wie hilfreich die RSS-Ära war. Ich folgte verschiedenen Artikelquellen und priorisierte sie grob nach Interesse.
      Als Schüler habe ich Tausende von Texten gelesen, und das war enorm nützlich, weil ich dadurch immer bessere mentale Modelle davon aufbauen konnte, wie Technologie funktioniert. Vieles hat sich geändert, aber viele der damals gebildeten Modelle sind immer noch ziemlich zutreffend und hilfreich, wenn ich in Bereiche tiefer einsteigen möchte, die mich interessieren.
    • Es heißt, das werde „auf Nutzer-Nutzen statt auf Engagement und Werbeumsatz optimiert“, aber ist das wirklich so, oder hilft es einem nur, weiter in einem bequemen Gefängnis zu bleiben?
      Natürlich ist ein bequemes Gefängnis besser als ein Engagement-Gefängnis, aber manchmal muss man da vielleicht herauskommen.
      Wurde die Kuratierung in der RSS-Reader-Ära nicht immer von Leuten gemacht, mit denen man nicht unbedingt übereinstimmte?

  • Ich habe ein ähnliches Tool gebaut, das HN-Accounts profiliert und roastet: https://hn-wrapped.kadoa.com/
    Lustig und manchmal auch gruselig.
    Bearbeitung: Beim Nutzernamen wird Groß-/Kleinschreibung unterschieden.

    • Wenn es mehr als nur die erste Seite der Nutzerkommentare als Sample ansehen würde, wäre es wahrscheinlich viel witziger oder aufschlussreicher.
      Trotzdem war es ziemlich treffend:
      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.
    • „In Ihren Kommentaren tauchen häufig detaillierte technische Erklärungen oder Korrekturen auf, was den Eindruck erweckt, dass Sie entweder tief in Technik versunken sind oder einfach gern die klügste Person im Raum sind. Ehrlich gesagt wahrscheinlich beides.“
      Absolut brutal.
    • Fühlt sich an, als wäre ich komplett erwischt worden.

      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.

    • Vorhersageergebnis:
      „Sie werden ein bisher unbekanntes HN-Upvote-Schwarzes-Loch entdecken. Dorthin werden alle gut strukturierten, nuancierten Kommentare über wirtschaftliche Unsicherheit ins Vergessen gesogen, während ‚Show HN: Meine To-do-Liste in Rust‘ 500 Punkte bekommt.“
      Ziemlich gemein, aber gut gemacht.
    • Wir verwenden etwas Ähnliches, wenn wir Nutzer auf der Plattform des Unternehmens profilieren. Im Allgemeinen sind LLMs übermäßig „nett“, und wenn man sie Nutzer roasten lässt, treten wichtige, interessante oder widersprüchliche Informationen besser zutage.
      Außerdem ist es ziemlich lustig.

  • In letzter Zeit interessiere ich mich wirklich sehr für solche Dinge. Dazu gehört nicht nur, in Pocket gespeicherte Artikel zu analysieren, sondern auch eine Metaanalyse meiner ChatGPT-/Gemini-/Claude-Konversationsverläufe.
    Ich nutze ein Skript für hyperpersonalisierte RSS-Zusammenfassungen und habe festgestellt, dass die RSS-Feeds mit den meisten tatsächlich für mich relevanten Einträgen ziemlich andere sind als die, die ich casually lese.
    Als Nächstes möchte ich ein generatives Weltmodell erstellen, das auf meine Interessen und Relevanz ausgerichtet ist. Verschiedene Teile dieses Weltmodells können in unterschiedlichen Zyklen aktualisiert und untersucht werden.
    Dann ist „Nachrichten“ für mich der Änderungsdiff, also wie sich dieses Weltmodell durch die Nachrichten verändert hat. Außerdem kann ich immer eine lokale Offline-Version des aktuellen Weltmodells haben, was nützlich sein dürfte, um Posteingang, Kalender, Nachrichten, Tweets usw. mit einem lokalen Modell zu filtern oder zu sortieren.

    • Klingt interessant. Kannst du das etwas genauer erklären?

  • Früher habe ich aus Spaß und Neugier ein kleines Skript gebaut, das so etwas mit HN-Profilen macht. Anhand von Einreichungen und Kommentarhistorie leitete es Profile wie Standort, politische Ausrichtung, Karriere, Alter und Geschlecht ab.
    Der Hauptgrund war, dass ich in verschiedenen Kommentar-Threads überraschende Ansichten gesehen hatte und mich fragte, woher sie wohl kamen. Ich habe überhaupt keine Ahnung, wie genau die Profile waren, aber es war ein interessantes Experiment, um zu sehen, wozu LLMs bei so etwas fähig sind.

    • Kürzlich hat jemand das genutzt, um auf Basis von Artikelinhalt und Nutzerprofil vorherzusagen, welche Beiträge es auf die HN-Frontpage schaffen.
    • Zumindest wenn man es auf sich selbst anwendet, dürfte es interessant sein, weil man prüfen kann, wie genau es ist.
    • Daran erinnere ich mich. Bei mir war es ziemlich treffend, aber etwas zu zuckersüß. Zum Beispiel hieß es, ich würde die Welt retten oder so etwas.

  • Aus der Perspektive von jemandem mit einem eher links orientierten katholischen Familienhintergrund ist es interessant, dass er wegen katholisch als konservativ eingestuft wurde. Im Nordosten der USA scheinen solche Katholiken häufiger zu sein.

    • Insgesamt würde ich sagen: Sowohl Katholiken als auch Protestanten, egal welcher Konfession, sind im Nordosten und an der Westküste eher progressiv, im Mittleren Westen und im Süden eher konservativ.
      Das sagt etwas darüber aus, welche durchschnittliche Bedeutung Religion im Jahr 2025 hat.
    • Ich wurde in Pittsburgh geboren, katholisch erzogen und bin ziemlich progressiv. Schon in den 90ern gab es Messdienerinnen, und es gab offen schwule Gemeindemitglieder, die in der Kirche Zeremonien abhielten.
      Heute bin ich nicht mehr katholisch, aber diese Kirche der 80er und 90er war eine gute Kirche.
    • Fairerweise hat es tatsächlich Folgendes gesagt:

      Fiscally conservative / civil-libertarian with traditionalist social leaning
      Und als Begründung wurde angeführt:
      Bogleheads & MMM frugality + Catholic/First Things pieces, EFF privacy, skepticism of Big Tech censorship
      Das heutige First Things ist eher ein Medium für religiösen Sozialkonservatismus. Wenn jemand katholisch ist und Artikel von First Things liest, ist die Vorhersage „konservativ“ ziemlich sicher.
      Allerdings halte ich es generell für einen möglichen Fehler, Menschen allein anhand dessen zu profilieren, was sie lesen. Ich lese oft auch Texte, denen ich nicht zustimme; manchmal ändere ich meine Meinung, und selbst wenn nicht, suche ich solche Texte absichtlich auf, weil ich wissen will, was die eigentliche Argumentation ist. Allerdings frage ich mich, ob ich solche Texte in Pocket gespeichert hätte.

  • Wenn man Hunderte gespeicherte Links als flache Liste hat, ist das vermutlich ein ehrlicher Abladeplatz namens „später lesen“. Dann könnte man AI oder Natural Language Processing alles klassifizieren lassen, damit man Dinge, die einen nicht mehr interessieren, leichter löschen kann.

  • Interessanter Artikel. Seltsamerweise dachte ich danach, ich hätte Pocket mehr nutzen sollen.
    Nebenbei: Der typische Tonfall in LLM-Antworten geht mir wirklich auf die Nerven. Man erkennt dieses Standardformat geschwätziger Ausgaben:
    Abgedroschene Phrase! Nach mehreren Wörtern, wie sie ein normaler Mensch sagen könnte, folgt schließlich die Kernaussage, dass 2 plus 2 gleich 4 ist. Danach noch mehr Wörter, die plausibel menschlich klingen!
    Ich verstehe natürlich, dass das intern tatsächlich so funktioniert. Ein LLM muss sich aufgrund seiner Trainingsweise weitschweifig zum Punkt vortasten. Aber gibt es keine Hoffnung, das per Nachbearbeitung von Ballast zu entfernen? Ich möchte nicht noch eine weitere Sprachkorpus-Maschine verwenden, sondern die eigentliche Antwort innerhalb der Inference Engine destillieren.
    Es ist wie das alte Internet-Rezept-Problem. Was man will, ist das hier:
    500g wheat flour
    280ml water
    10g salt
    10g yeast
    Aber was man tatsächlich bekommt, ist das hier:
    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…

    • Wie soll man einem Rezept ohne Kontext vertrauen?
      Menschen sagen, sie wollten das eine, aber ihr tatsächliches Verhalten und ihr Geld gehen woandershin.
      Ich stimme zu, dass es unnötigen Ballast gibt. Aber ich glaube nicht, dass „gib mir nur das Rezept“ wirklich das ist, was die Leute wollen. Und ich halte diese Sicht auch nicht für eine ungewöhnliche Ausnahme. Wolltest du tatsächlich schon einmal ein Rezept ohne jeden Kontext bekommen und danach kochen?
    • Das ist ein Problem von Allzweck-LLM-Apps wie ChatGPT. Sie müssen eine breite Zielgruppe ansprechen; wenn man also eine andere Antwort will als der Durchschnittsnutzer, wird es schwierig.
      OpenAI hat gesagt, dass sie daran arbeiten, die Ausgaben von ChatGPT stärker konfigurierbar zu machen.
    • Wenn man am Ende „antworte knapp“ anhängt, funktioniert das ziemlich gut.
      Ich bin kein Experte, aber bei „denkenden“ Modellen würde ich mir wünschen, dass dieser Schritt der Kürzung ganz am Schluss passiert. Intern darf es gern beliebig ausführlich denken, solange ich nur die Antwort bekomme.
    • Übrigens scheint o3 schneller als die meisten anderen LLMs auf den Punkt zu kommen. Fast zu sehr: Wenn man nach einem breiten Thema fragt, kürzt es so stark, dass es manchmal schwer ist zu erkennen, was genau gemeint ist.

  • Ich habe über die Möglichkeit nachgedacht, alle meine Tabs mit einem LLM aufzuräumen. Ich bin einer dieser schrecklichen Tab-Sammler, die die „:D“-Zählanzeige auf dem Handy viel zu lange ignoriert haben.
    Normalerweise räume ich regelmäßig radikal auf, aber lange Zeit hatte ich keine Motivation dazu. Ich bräuchte nur eine einfache Möglichkeit, Tabs ähnlich wie bei Pocket als CSV oder Ähnliches zu dumpen.

    • Ich habe das kürzlich mit unsortierten Bookmarks ausprobiert. Das war das erste Mal, dass ich parallele API-Aufrufe genutzt habe.
      10 gpt-4-nano-Threads haben jeweils Batches von 10 Bookmarks klassifiziert und in wenigen Minuten 10.000 Bookmarks verarbeitet.