COSCUP 2026 開源人年會

為什麼要開這個議題？

• 資料，乃訓練之基礎— 為了讓模型更懂臺灣，我們需要你一起貢獻更多更多的臺灣知識！
• PDF 資料比你想像的有價值— 有許多重要知識都被封印在 PDF 文件或是圖片之中，這樣的資料無法作為模型訓練內容。
• 告別「工人智慧」輕輕鬆鬆完成貢獻— 我們設計了一套半自動化的 PDF 文件處理系統，將在本議程介紹如何快速貢獻並取得 Credit！
• 血淚史大公開— 分享 PDF 處理中的辛酸血淚，讓你快速就能掌握各種撇步！

誰適合來聽這個議程？

• 知識囤積狂與文獻愛好者— 手邊一堆珍貴的 PDF 檔案，卻不知如何讓它們發揮最大價值的你。
• 文字潔癖與細節控— 看到錯字跟排版亂掉就渾身不對勁？我們超需要你來幫忙把關最後一哩路（人工審閱 XDDDD）！
• 開源狂熱份子— 想了解如何用自動化工具與OCR Model 對抗排版地獄的你。

這個議題期望帶來什麼樣的影響力？

• 我們是 TwinkleAI— 一個致力於建立「臺灣在地資料集與模型」的社群，目前已公開多筆資料集以及數顆繁體中文模型。
• 擴張開源宇宙的版圖— 繼目前進行中的「Twinkle Voice 語音資料集」、「Twinkle Vision 視覺資料集」專案後，我們將在本次議程正式啟動「Twinkle FinePDFs-zhtw」！
• 人人都能成為開源貢獻者— 透過我們準備好的工具，不管是工程師還是麻瓜，都能輕鬆參與這個大型開源運動。來聽這場議程，一起在臺灣 AI 發展的歷史上留下你的 GitHub ID 與名字吧！

為什麼要開這個議題？
* 資料分類是模型進化的階梯— 延續先前的 FinePDFs，如何讓這些碎片化的文字變成可被 LLM 吸收的「領域專長」，關鍵就在於高品質的分類與標納。
* 訓練 LLM 的重要步驟— 訓練或微調模型前，你需要一個精準的分類器來過濾雜訊與分類資料！
* 運用高效率的 Few-Shot 方法打造分類器— 分類器的訓練方法百百種，本議程預計使用 SetFit ，可以在極少量的標註樣本下，快速打造出強大的分類器。
* 評估與分析— 不只談訓練，更需要進行評估與分析，科學地驗證模型究竟是真的還是瞎猜。

誰適合來聽這個議程？
* 開源狂熱份子— 想了解開源 LLM 的技術細節。
* LLM 領域的初學者— 想知道在「Prompt Engineering」之外，如何透過微調技術（Fine-tuning）改善資料流程的開發者。

這個議題期望帶來什麼樣的影響力？
* 我們是 TwinkleAI— 一個致力於建立「臺灣在地資料集與模型」的社群，也藉由讀書會等活動，推廣 LLM 相關知識的普及，目前已公開多筆資料集以及數顆繁體中文模型。
* 人人都能學會的 LLM— 透過大量公開的資料，人人都能入門 LLM 的相關知識；並且理解 LLM 的運作脈絡，你可以更有效率的馴服 AI！！