开发者发布了AIGC文本去痕（降低AI生成痕迹）工具的第二版本更新。与之前通过微调8B小模型不同，此次升级重点在于优化推理过程，引入了类似Agent的多步工作流机制。新方案采用了“多步生成+候选筛选+结果校验”的策略，针对高温随机采样容易导致的标点混乱和内容不可靠问题，专门增加了润色环节，并利用DeepSeek v4 flash模型进行最终的校验和优化，显著提升了生成文本的自然度与准确性。在基础设施方面，为了应对API调用成本，项目将推理服务迁移至按需冷启动的GPU服务器。该架构实现了服务器的自动休眠与唤醒，虽然首次启动会因冷启动产生两到三分钟的延迟，但通过空闲自动关机有效控制了运营成本，目前的资源额度足以支持数十名用户的日常使用。作者表示兴趣点已发生转移，正在社区讨论中权衡是否正式开放该模型的权重。
事件分析
本次更新展示了从单一模型微调转向推理侧Agent工作流的技术趋势。通过集成DeepSeek v4 flash作为最后的校验润色层，开发者巧妙地利用大模型的能力来弥补小模型生成的不稳定性，这种“小模型生成+大模型优化”的混合模式在保证输出质量的同时控制了Token消耗。在部署架构上，采用按需冷启动GPU并配合自动休眠机制，为个人开发者或小型AI项目提供了极具参考价值的低成本运维范例，解决了长时间占用昂贵GPU资源的痛点。尽管存在首次启动延迟，但这种动态资源调度策略是实现“低成本、高可用”AI应用落地的有效路径。
核心观点：采用Agent工作流结合推理时优化与动态资源调度，正成为替代全量微调的降本增效新路径。
原文链接：Linux.do
