Skip to lesson

મશીન દ્વારા અનુવાદિત. અંગ્રેજી અને હિન્દી સમીક્ષિત સંસ્કરણો છે.Englishहिन्दी

1 section shows the reviewed English text because a ગુજરાતી translation was not available for it.

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

બે મોડેલ જવાબોની તુલના કરો

What this lesson is about

રૂબ્રિકનો ઉપયોગ કરીને શ્રેષ્ઠ જવાબ પસંદ કરો. લંબાઈ, આત્મવિશ્વાસ અથવા લખાણ શૈલી પરથી પસંદગી ન કરો.

તમારા સ્ક્રીન પર એક જ પ્રશ્નના બે જવાબ ખુલ્લા છે, એક લાંબો અને સજ્જડ. તમે કેવી રીતે નિર્ણય લેશો?

Why this matters

પસંદગીના ડેટા મોડેલને શીખવે છે કે કયો જવાબ વપરાશકર્તા માટે વધુ ઉપયોગી છે. આત્મવિશ્વાસ, શૈલી કે લંબાઈ પર આધાર રાખવો સલામત નથી. તમે રૂબ્રિક સામે મૂલ્યાંકન કરો — તે ચેકલિસ્ટ જે કહે છે કે સારો જવાબ શું હોવો જોઈએ. તમે એક સમયે એક માપદંડ — એક નિર્ધારિત ગુણવત્તા — લઈ શકો.

Read the primary or official source: Hugging Face Alignment Course