北京
在DeepSeek Harness上对BestBlogs初次评分内容进行二次校准，每次人工事后反馈，逐渐学会编辑的品味和判断力。这是作者ginobefun分享的一次技术实践，核心动作只有两个：跑自动任务，收人工反馈。
流程的起点是BestBlogs的初次评分结果。系统先给出一个初始分数，这个分数并不直接定稿，而是被送进DeepSeek Harness上运行的自动任务里做二次校准。校准之后，再由人工在事后给出反馈，反馈重新进入下一轮迭代。
这套设计的关键不在模型本身，而在反馈的闭环方向。人工反馈不是用来单次纠错的，而是被当作训练信号，让系统在一次次迭代中逐渐习得编辑在内容筛选与质量判定上的专业品味和判断力。
换句话说，被校准的不只是某一条内容的分数，而是模型对“什么样的内容算好”这件事的理解。初次评分负责给出基线，二次校准负责修正偏差，人工事后反馈负责把编辑的判断标准沉淀下来。
从工程视角看，这条链路的成本结构很清晰：自动任务承担批量处理的吞吐，人工只在高价值的判断节点上介入。反馈频率不需要高，但必须持续，否则模型学到的品味会停在某一轮不再更新。
素材给出的信息量不大，但方向明确——评分系统的准确性不是靠一次调参解决的，而是靠“初评—校准—反馈”这个循环反复跑出来的。对做内容评分、推荐排序的团队来说，这套闭环的搭建方式比任何单点优化都更值得参考。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
