এটা এটা উত্তৰ নহয়, সম্পূৰ্ণ কথোপকথন পৰ্যালোচনা কৰক

What this lesson is about

এটা উত্তৰ পৰ্যালোচনা কৰক যি কথোপকথনে ইতিমধ্যে স্থিৰ কৰা কথা অনুসৰি। ব্যৱহাৰকাৰীৰ সীমাবদ্ধতা, তেওঁলোকৰ সংশোধন আৰু তেওঁলোকে বাছনি কৰা ভাষা।

প্ৰথম পালত এজন গ্ৰাহকে হিন্দী বিচাৰিছিল। চতুৰ্থ পালত সঠিক তথ্যসহ প্ৰৱাহময় ইংৰাজী আছে। চতুৰ্থ পালটোৰ নম্বৰ কেনেকৈ দিব?

Why this matters

এটা উত্তৰ পৰ্যালোচনাই সেইবোৰ কথোপকথন পাৰ কৰে যি তিনিটা পালিৰ আগতে ব্যৱহাৰকাৰীয়ে বিচৰা কথা চুপে চাপে এৰি দিয়ে।

প্ৰত্যেক উত্তৰক সেই সীমাবদ্ধতা, সংশোধন আৰু তথ্যৰ বিৰুদ্ধে পৰ্যালোচনা কৰক যিবোৰ কথোপকথনে ইতিমধ্যে স্থিৰ কৰিছে।

এটা স্থায়ী নিৰ্দেশনা যেতিয়ালৈকে ব্যৱহাৰকাৰীয়ে সলনি নকৰে, তেতিয়ালৈকে মান্য।
প্ৰত্যেক উত্তৰক একাকাৰে নহয়, পূৰ্বৰ পালিৰ সৈতে মিলাই পৰ্যালোচনা কৰক।
কথোপকথনে প্ৰথমে য’ত ভংগ কৰিলে সেই পালিটো নম্বৰ দিয়ক, শেষটো নহয়।

Task

এটা বৃত্তি ফৰ্ম সম্পৰ্কীয় চাৰি-টাৰ্ণৰ বাৰ্তালাপ। প্ৰথম টাৰ্ণত ব্যৱহাৰকাৰীয়ে হিন্দী বিচাৰিছিল। তৃতীয় টাৰ্ণত তেওঁ শেষ তাৰিখ সঠিক কৰিছিল, আৰু সহায়কেও সেইটো মানি লৈছিল।

Weak approach চতুৰ্থ টাৰ্ণ খোলে, তাৰ তথ্যসমূহ বিজ্ঞপ্তিৰ সৈতে মিলাই চায়, সঠিক পায়, আৰু পাৰ হৈ যায়। প্ৰথম টাৰ্ণটো তিনি স্ক্ৰীণ ওপৰত আছে আৰু পুনৰ কেতিয়াও স্ক্ৰল কৰা নহয়।

Stronger approach প্ৰথমৰ পৰা চতুৰ্থ টাৰ্ণলৈ ক্ৰমে পঢ়ে আৰু প্ৰতিটো টাৰ্ণে আগবঢ়াবলগীয়া কথা লিখে। চতুৰ্থ টাৰ্ণে সঠিক কৰা তাৰিখটো পুনৰায় কয়, যি সঠিক, আৰু ইংৰাজীত উত্তৰ দিয়ে, যি প্ৰথম টাৰ্ণে নিষিদ্ধ কৰিছিল। চতুৰ্থ টাৰ্ণক ভংগৰ স্থান হিচাপে চিহ্নিত কৰে আৰু প্ৰথম টাৰ্ণৰ সেই পংক্তিটো উদ্ধৃত কৰে।

Why the stronger approach works দুয়োটা পৰ্যালোচনাত চতুৰ্থ টাৰ্ণৰ তথ্য সঠিক আছিল। যি নিৰ্দেশনা এৰাই দিয়া হৈছিল, সেইটো তিনি স্ক্ৰীণ ওপৰত আছিল, আৰু কেৱল সেই পৰ্যালোচকজনে দেখিছিল যিয়ে প্ৰথম টাৰ্ণৰ পৰা পঢ়িছিল।

Try a changed situation আপুনি এতিয়া কথোপকথন নহয়, AI সহায়কটোৰ টুল পদক্ষেপসমূহ পৰ্যালোচনা কৰিছে। কোন নিয়ম এতিয়াও প্ৰযোজ্য?

Make something yourself AI সহায়কৰে আপোনাৰ এটা চাৰি-পালি কথোপকথন লওক। প্ৰতিটো পালিৰ বাবে এটা কথা লিখক যি আগৰ পালিৰ পৰা আগবঢ়াব লাগিছিল, আৰু ক’ব যে আগবঢ়ালে নে নাছিল।

Read the primary or official source: Anthropic HH-RLHF