Skip to lesson

मशीन तों अनुवादित। अंग्रेज़ी अते हिंदी समीक्षा कीती गई वर्जन हन।Englishहिन्दी

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

सीधी पसंद दी ट्रेनिंग

What this lesson is about

दो रास्ते मिलाओ: स्कोरर सिखाओ ते RL इस्तेमाल करो, या मॉडल नु जोड़ी तो सीधे बदलो।

संस्था मंडली नु कहंदी है कि ओ स्कोरर नहीं बनाएगी। कमरे विच कोई समझ नहीं पा रया।

Why this matters

पुराना रास्ता जोड़ियां तो स्कोरर सिखांदा है, फेर RL नाल मॉडल नु सुधारदा है। 2023 विच छपी सीधी पसंद दी ट्रेनिंग स्कोरर नु हटा के मॉडल नु सीधे चुने ते नाखुश जवाब तो बदलदी है। तुम्हारे निशान लगाण दा तरीका नहीं बदलेगा। इक आदत महंगी हो जांदी है: जिस जोड़ियां नु बराबरी दा निशान लगया, ओ इस रास्ते नु कुछ नहीं दिंदी।

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