- Learn
- See
- Try
- Make
ইনাম মডেল কি
What this lesson is about
চিহ্নিত জোৰাৰ পৰা কি নিৰ্মাণ হয় চাওক: এটা স্কোৰাৰ, যি সঠিক উত্তৰ নহয়, আপোনাৰ শৃংখলাৰ ওপৰত প্ৰশিক্ষিত।
৮০০টা চিহ্নিত জোৰাৰ আপোনাৰ বেটচ সোমবাৰে এটা প্ৰয়োগশালালৈ যায়। এজন সহকৰ্মীয়ে সুধে তাত কি নিৰ্মাণ হয়।
Why this matters
এটা প্ৰকাশিত সাৰাংশ চলনাই এই গঠন দেখুৱায়। চিহ্নিত জোৰাই এটা স্কোৰাৰক প্ৰশিক্ষিত কৰে, আৰু মডেলক পাছত সেই স্কোৰাৰৰ বিৰুদ্ধে উন্নত কৰা হয়। সেয়ে আপোনাৰ জোৰা মডেলে অনুকৰণ কৰা উত্তৰ নহয়। সেয়া স্কোৰাৰৰ নিজৰ শিক্ষাৰ এটা শাৰী। মডেলক পাছত সেই স্কোৰাৰক সন্তুষ্ট কৰিবলৈ ধকোৱা হয়।
Read the primary or official source: Stiennon et al., Learning to summarize from human feedback (arXiv)