Skip to lesson

মেচিনে অনুবাদ কৰা হৈছে। ইংৰাজী আৰু হিন্দী পৰ্যালোচনা কৰা সংস্কৰণ।Englishहिन्दी

  1. Learn
  2. See
  3. Try
  4. Make

আপোনাৰ লেবেলবোৰ ক'ত যায়

What this lesson is about

এটা ৰেটিং বেট্‌চ আপোনাৰ স্ক্ৰীনৰ পৰা এটা প্ৰশিক্ষণ চলনলৈ অনুসৰণ কৰক, আৰু যাত্ৰাৰ সময়ত পাৰ হোৱা পৰীক্ষাসমূহ বিচাৰক।

আপুনি শুকুৰবাৰে দুয়ো শত শাৰী সম্পূৰ্ণ কৰি পঠিয়াই দিয়ে। আপোনাৰ কাকাতীয়াই সুধে মডেলটো সেই ৰাতি সলনি হয় নে।

Why this matters

এটা প্ৰকাশিত সহায়ক চলনে এই চক্ৰটো স্পষ্টকৈ বৰ্ণনা কৰিছে। বেট্‌চসমূহ একেলগে মিলোৱা হয়, এটা অংশ আঁতৰাই ৰখা হয়, মডেলটো প্ৰশিক্ষণ দিয়া হয়, আৰু সলনি হোৱা মডেলত নতুন বেট্‌চ আহে। পিছত সেই চলনত বিশ্বাস কৰিব পাৰিব নে নাই, সেইটো দুটা বস্তুৰে নিৰ্ধাৰিত হয়। এটা আঁতৰাই ৰখা অংশ — যি বস্তুত মডেল কেতিয়াও প্ৰশিক্ষণ নলয় — মেরামতিৰ সময়ত পঢ়া নহব লাগে। আৰু প্ৰতিটো বেট্‌চত লিখা থাকিব লাগে কোনে আৰু কেতিয়া চিহ্নিত কৰিছিল।

Read the primary or official source: Bai et al., Training a Helpful and Harmless Assistant with RLHF (arXiv)