All learning paths Learn See Try Make দুটি মডেলের উত্তর তুলনা করুন What this lesson is about রুব্রিক ব্যবহার করে ভালো উত্তরটি বেছে নিন। দৈর্ঘ্য, আত্মবিশ্বাস বা লেখার শৈলী দেখে বেছে নেবেন না।
একই প্রশ্নের দুইটি উত্তর আপনার স্ক্রিনে খোলা, একটি দীর্ঘ এবং পরিশীলিত। আপনি কীভাবে সিদ্ধান্ত নেবেন?
A যেটা পড়তে ভালো লাগে সেটা বেছে নিন, তারপর তার জন্য একটা কারণ খুঁজে বের করুন। B প্রতিটি উত্তরের বিচার একই মানদণ্ডে করুন। C দীর্ঘটিকে বিস্তারিত দেখে বিচার করুন আর ছোটটিকে স্পষ্টতা দেখে বিচার করুন।
Check my recall Why this matters পছন্দের তথ্য মডেলকে শেখায় কোন উত্তর ব্যবহারকারীর জন্য বেশি উপযোগী। আত্মবিশ্বাস, চমক বা দৈর্ঘ্য দেখে সিদ্ধান্ত নেওয়া নিরাপদ নয়। আপনি রুব্রিকের বিরুদ্ধে বিচার করবেন — একটি চেকলিস্ট যা বলে ভালো উত্তরে কী থাকা উচিত। আপনি একবারে একটি মানদণ্ড — একটি নির্দিষ্ট গুণ — বিবেচনা করবেন।
রুব্রিক ব্যবহার করে দুটি উত্তরের মধ্যে থেকে বেছে নিন এবং সিদ্ধান্তের মূল পার্থক্যটি নাম করুন।
পছন্দের তথ্য মডেলকে শেখায় কোন উত্তর ব্যবহারকারীর জন্য বেশি উপযোগী। আত্মবিশ্বাস, চমক বা দৈর্ঘ্য দেখে সিদ্ধান্ত নেওয়া নিরাপদ নয়। আপনি রুব্রিকের বিরুদ্ধে বিচার করবেন — একটি চেকলিস্ট যা বলে ভালো উত্তরে কী থাকা উচিত। আপনি একবারে একটি মানদণ্ড — একটি নির্দিষ্ট গুণ — বিবেচনা করবেন।
প্রতিটি উত্তরের বিচার একই মানদণ্ডে করুন। প্রতিটি ছোট পার্থক্য নয়, প্রথম এমন পার্থক্য খুঁজুন যা ফলাফল বদলে দেয়। যখন প্রমাণ সমান হয় তখন সমান নির্বাচন করুন, আর প্রমাণ কম থাকলে ‘বিচার করা সম্ভব নয়’ নির্বাচন করুন। Task সংক্ষিপ্ত নির্দেশে চারটি মানদণ্ড দেওয়া আছে: নিরাপদ, সঠিক, নির্দেশ অনুসরণ করে, সংক্ষিপ্ত। একজন ছাত্র জানতে চায় বৃত্তি ফর্ম জমা দেওয়ার শেষ তারিখ কখন।
Weak approach দুটি উত্তর পড়ে প্রথমটি বেছে নেয়, যা উষ্ণ, দীর্ঘ এবং নার্ভাস ছাত্রের জন্য লেখা। তার তারিখ কখনো যাচাই করা হয় না, এবং শুধু সেপ্টেম্বরের শেষ বলা হয়েছে।
Stronger approach মানদণ্ডের প্রতিটি সারি এক এক করে পূরণ করে। নিরাপদে, দুই উত্তরই পাশ করেছে: কেউ ছাত্রকে কোনো ক্ষতিকর তথ্য দেয়নি। সঠিকতায়, প্রথম উত্তরে কোনো নির্দিষ্ট তারিখ নেই, শুধু সেপ্টেম্বরের শেষ বলা হয়েছে। দ্বিতীয় উত্তরে ৩০ সেপ্টেম্বর ২০২৬ দেওয়া হয়েছে এবং যে বিজ্ঞপ্তি থেকে তথ্য এসেছে সেটিও উল্লেখ করা হয়েছে। সিদ্ধান্ত সেখানে নেয়া হয়, শৈলীর কথা পড়ার আগেই।
Why the stronger approach works একজন পর্যালোচক লেখার তুলনা করেছেন, অন্যজন নির্দেশের মানদণ্ড অনুযায়ী পূরণ করেছেন। দুই উত্তরই নিরাপদ ছিল। প্রথম সারি যা তাদের আলাদা করেছিল তা ছিল অনুপস্থিত তারিখ, এবং সেটি স্পষ্ট করে দেখানো যায়।
Try a changed situation আপনি একই মেরামতের জন্য দুইটি দোকানের কোটেশন বেছে নিচ্ছেন, দুইটি মডেল উত্তরের মধ্যে নয়। কী সিদ্ধান্ত নেবে?
Make something yourself দুটি বাক্যে আপনার কারণ লিখুন। প্রথমে ভালো উত্তরটি বলুন, তারপর সেই একমাত্র মানদণ্ডটি নাম করুন যা আপনার সিদ্ধান্ত নির্ধারণ করেছে।
Read the primary or official source: Hugging Face Alignment Course