花 9 美元让 Gemini 教出一个本地模型，替代它自己

I had Gemini train its own replacement for $9

作者用 Gemini 3.1 Pro 给 4290 条 Reddit 评论打上刀具品牌、型号和钢材的标签，花了 9 美元。然后用这些标签微调了一个叫 GLiNER 的开源命名实体识别模型。训练好的模型在本地跑，跟 Gemini 的标注结果对比，F1 分数达到 0.83，而直接零样本跑 GLiNER 只有大约 0.65。训练在 Tesla T4 上跑了 ...

推荐理由：一篇很实在的微调实战记录。作者用 Gemini 3.1 Pro 给 Reddit 刀具评论打标，只花了 9 美元就攒出 4290 条训练数据，把开源 NER 模型 GLiNER 的 F1 从 0.65 提到了 0.83。我会先打个折：领域太窄（刀具品牌型号钢材），分数不能给太高。但方法本身是通用的——用大模型蒸馏标签、微调小模型、本地部署省 API 钱——对从业者来说直接能用。正文没披露训练脚本细节和推理延迟，这点有点可惜。