开发者使用在线大模型编写脚本，利用本地 3B 模型自动重命名和总结 400 多篇会议论文
英文摘要
Ian Cutress encountered a conference distribution of 400+ papers as numbered PDFs, making them unidentifiable. He used a large online AI model to generate an 800-line Python script that utilized Ollama to download and run a local Llama 3B model. The script looped through each PDF, had the local model propose a descriptive filename (including institution), renamed the file, and generated a 300-token summary. The process required about one hour online for scripting and three hours of local compute, saving weeks of manual effort. The approach demonstrates a hybrid AI workflow where a powerful cloud model handles complex code generation and a smaller local model efficiently performs bulk inference tasks.
中文摘要
Ian Cutress 在一次会议中遇到 400 多篇仅以编号命名的 PDF 论文，难以查找。他使用在线大参数 AI 工具生成了一个约 800 行的 Python 脚本，该脚本通过 Ollama 下载并运行本地 Llama 3B 模型，批量读取每篇论文，让本地模型建议包含机构信息的文件名并重命名，同时生成 300 token 的摘要。整个过程在线构建脚本约 1 小时，本地运行 3 小时；若手动完成重命名和摘要需数周。这展示了混合 AI 工作流程：云端大模型负责复杂代码生成，而本地小模型高效完成批量推理任务。
关键要点
Over 400 conference papers were distributed as session-numbered files, making them impossible to identify at a glance.
400 多篇会议论文以会话编号命名，难以快速识别。
A large online AI model generated an 800-line Python script to automate processing.
在线大模型生成了一个 800 行的 Python 脚本以自动化处理。
The script downloaded and used a local Llama 3B model via Ollama to rename files and produce 300-token summaries per paper.
脚本通过 Ollama 下载并使用本地 Llama 3B 模型，为每篇论文重命名并生成 300 token 的摘要。
The automation took 1 hour of online time for scripting and 3 hours of local compute, versus weeks of manual work.
自动化花费 1 小时在线编写脚本和 3 小时本地运行，而手动工作需要数周。
The workflow demonstrates using a powerful cloud model for complex code generation and a smaller local model for bulk inference tasks.
工作流程展示了用强大的云模型生成复杂代码，再用本地小模型进行批量推理的混合模式。