একটি উত্তর নয়, পুরো কথোপকথন পর্যালোচনা করুন

What this lesson is about

একটি উত্তরের বিচার করুন কথোপকথনে যা আগে ঠিক হয়েছে তার ভিত্তিতে। ব্যবহারকারীর শর্ত, তাদের সংশোধন, এবং তারা যে ভাষা বেছে নিয়েছে।

প্রথম পালায় একজন গ্রাহক হিন্দি চেয়েছিলেন। চতুর্থ পালা সাবলীল ইংরেজিতে এবং সঠিক তথ্য সহ। আপনি চতুর্থ পালাটিকে কীভাবে স্কোর করবেন?

Why this matters

একক-উত্তর পর্যালোচনা এমন কথোপকথন পাস করে যা তিন পালা আগে ব্যবহারকারী যা চেয়েছিল তা চুপচাপ বাদ দেয়।

প্রতিটি উত্তরের বিচার করুন কথোপকথনে আগে নির্ধারিত শর্ত, সংশোধন এবং তথ্যের ভিত্তিতে।

একবার দেওয়া নির্দেশনা যতক্ষণ না ব্যবহারকারী পরিবর্তন করে ততক্ষণ প্রযোজ্য থাকে।
প্রতিটি উত্তরের বিচার করুন পূর্ববর্তী পালার সাথে মিলিয়ে, একা নয়।
যেখানে কথোপকথন প্রথমবার ভেঙেছে সেই পালা চিহ্নিত করুন, শেষটি নয়।

Task

স্কলারশিপ ফর্ম নিয়ে চার ধাপে কথোপকথন। প্রথম ধাপে ব্যবহারকারী হিন্দি চেয়েছিল। তৃতীয় ধাপে সে শেষ তারিখ ঠিক করেছিল, এবং সহকারী তা মেনে নিয়েছিল।

Weak approach চতুর্থ ধাপ খুলে, বিজ্ঞপ্তির সঙ্গে তথ্য মিলিয়ে দেখে সঠিক, এবং অনুমোদন দেয়। প্রথম ধাপ তিন স্ক্রিন উপরে, এবং সেখানে আর ফিরে যাওয়া হয় না।

Stronger approach প্রথম থেকে চতুর্থ ধাপ পর্যন্ত ক্রমে পড়ে এবং প্রতিটি ধাপে কী এগিয়ে নিতে হবে তা লেখে। চতুর্থ ধাপ সংশোধিত তারিখটি পুনরায় বলে, যা সঠিক, এবং ইংরেজিতে উত্তর দেয়, যা প্রথম ধাপে নিষিদ্ধ ছিল। চতুর্থ ধাপকে বিরতি হিসেবে চিহ্নিত করে এবং প্রথম ধাপের লাইনটি উদ্ধৃত করে।

Why the stronger approach works দুটি পর্যালোচনাতেই চতুর্থ ধাপের তথ্য সঠিক ছিল। যে নির্দেশনা বাদ পড়েছিল তা তিন স্ক্রিন উপরে ছিল, এবং শুধুমাত্র যিনি প্রথম ধাপ থেকে পড়েছিলেন তিনি তা দেখেছিলেন।

Try a changed situation এখন আপনি কথোপকথন নয়, AI সহকারীর টুল ধাপ পর্যালোচনা করছেন। কোন নিয়ম এখনও প্রযোজ্য?

Make something yourself আপনার AI সহকারীর সাথে একটি চার পালার কথোপকথন নিন। প্রতিটি পালার জন্য একটি বিষয় লিখুন যা তাকে পূর্বের পালা থেকে বহন করতে হয়েছিল। তারপর বলুন সে তা করেছে কি না।

Read the primary or official source: Anthropic HH-RLHF