Skip to lesson

মেশিন দ্বারা অনূদিত। ইংরেজি এবং হিন্দি পর্যালোচিত সংস্করণ।Englishहिन्दी

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

আপনার লেবেলগুলো কোথায় যায়

What this lesson is about

আপনার স্ক্রিন থেকে একটি রেটিং ব্যাচকে ট্রেনিং রান পর্যন্ত অনুসরণ করুন, এবং পথে যে চেকগুলো পাস করে তা খুঁজে বের করুন।

আপনি শুক্রবারে দুই শত সারি শেষ করে পাঠিয়েছেন। আপনার আত্মীয় জিজ্ঞেস করে, ওই রাতেই মডেল কি বদলে যায়?

Why this matters

একটি প্রকাশিত সহকারী রান এই চক্রটি স্পষ্টভাবে বর্ণনা করে। ব্যাচগুলো মিশ্রিত হয়, একটি অংশ আলাদা রাখা হয়, মডেল ট্রেনিং হয়, এবং পরিবর্তিত মডেলে নতুন ব্যাচ আসে। পরবর্তীতে রান বিশ্বাসযোগ্য কিনা তা দুই জিনিস নির্ধারণ করে। একটি আলাদা রাখা সেট — যেটিতে মডেল কখনো ট্রেনিং পায়নি — মেরামতের সময় পড়া যাবে না। এবং প্রতিটি ব্যাচে অবশ্যই লেখা থাকবে কে এবং কখন মার্ক করেছে।

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