सिदी पसंद सिखाय

What this lesson is about

दो रस्ता फोराय: एक स्कोरर सिखाय आरु RL बाय, नांदों जोड़ी फोराय मॉडल सिदी बद्लाय।

संस्था मंडली फोराय कहाय स्कोरर न बनाय। कोनो न बूझाय।

Why this matters

पुरान रस्ता जोड़ी फोराय स्कोरर सिखाय आरु RL फोराय मॉडल सुधाराय। सिदी पसंद सिखाय, 2023 फोराय प्रकाशित, स्कोरर हटाय आरु चुना आरु नाकारा जवाब फोराय मॉडल सिदी बद्लाय। तुमार निशान लगाय तरीका नाय बदलाय। एक आदत महंगा होय: बराबरी निशान फोराय ए रस्ता किछु नाय देय।

बोला सिदी पसंद सिखाय पुरान दुई-चरण रस्ता फोराय किदों फराक आरु तुमार बैच फोराय की मांग कराय।

सिदी पसंद सिखाय मॉडल सिदी बद्लाय चुना आरु नाकारा जवाब फोराय।
पुरान रस्ता दुई चरण मांगाय: स्कोरर सिखाय, आरु RL फोराय मॉडल सुधाराय।
तुमार बैच फोराय देखाय संख्या बराबरी निशान कतेक होय।

Task

एक ग्राहक तुमार मंडली फोराय 300 पुरान जोड़ी फेरि जाँच कराय सिदी पसंद रन फोराय।

Weak approach कहाय पुरान निशान चलाय, कारण जवाब न बद्लाय आरु बेहतर जवाब निशान लगाय। 300 जोड़ी बिना खोलाय पठाय।

Stronger approach बराबरी निशान गिनाय 300 फोराय 41 पाय। तय कराय या हटाय फोराय वापस पठाय, आरु कारण लिखाय।

Why the stronger approach works दूनु एके बैच फेरि पढ़ाय। केवल मजबूत गिनाय निशान जे ए रन फोराय उपयोग न कराय।

Try a changed situation तुमार 300 जोड़ीक 41 बराबरी निशान। ग्राहक ए हफ्ता सिदी पसंद रन चाहाय।

Make something yourself तुमार निशान लगाय जोड़ी बैच लाय। बताय बराबरी कतेक, आरु सिदी पसंद रन फोराय हाबा आरो हाबा करब।

Read the primary or official source: Rafailov et al., Direct Preference Optimization (arXiv)