કાર્યરત ઉદાહરણો અને SFT

What this lesson is about

જાણો કે કેવી રીતે ધ્યાનપૂર્વક લખાયેલા ઉદાહરણો મોડેલને જવાબની આકાર શીખવે છે.

એક કાર્યમાં ત્રણ ક્રમબદ્ધ પગલાં માંગવામાં આવ્યા છે, અને તમારું ઉદાહરણ એક સુંદર નાનું પેરાગ્રાફ છે. તમે શું બદલશો?

Why this matters

મોડેલ માત્ર ત્યારે શીખે છે જ્યારે ઉદાહરણો સ્પષ્ટ રીતે સૂચનાનું પાલન કરે.

જાણો કે કાર્યરત ઉદાહરણ સુપરવાઇઝ્ડ ફાઇન-ટ્યુનિંગ માટે કેટલું ઉપયોગી છે.

મોડેલ માત્ર ત્યારે શીખે છે જ્યારે ઉદાહરણો સ્પષ્ટ રીતે સૂચનાનું પાલન કરે.

માગેલી ફોર્મેટને બરાબર જ અનુસરો.
જરૂરી સલામતી અને સામગ્રીની મર્યાદાઓ શામેલ કરો.
એવી નકલી પદ્ધતિઓથી બચો જે તમે ઇચ્છતા નથી અને જે મોડેલ નકલ કરી શકે.

Task

સૂચના: ગ્રાહકને તે ભાષામાં બે પંક્તિઓમાં જવાબ આપવો જેમાં તેણે લખ્યું છે, અને રિટર્ન વિન્ડોની માહિતી આપવી.

Weak approach હિન્દીમાં આવેલ સંદેશ માટે અંગ્રેજીમાં ત્રણ પંક્તિઓમાં એક ઉષ્ણ જવાબ લખે છે. રિટર્ન વિન્ડોની માહિતી આપે છે, તેથી કન્ટેન્ટ નિયમ પૂર્ણ થાય છે. આ લેખકના દરેક ઉદાહરણ હવે એક જ માફીથી શરૂ થાય છે, અને મોડેલ તે શરૂઆત નકલ કરશે.

Stronger approach બે પંક્તિઓ, હિન્દીમાં કારણ કે ગ્રાહકે હિન્દીમાં લખ્યું હતું, અને ચૌદ દિવસની વિન્ડોનું નામ આપે છે. માફી નથી, કારણ કે સૂચન એ માંગ્યું જ નહોતું.

Why the stronger approach works બન્ને જવાબો કન્ટેન્ટ નિયમનું પાલન કરે છે. નબળા જવાબમાં બે એવી બાબતો શીખવાડવામાં આવે છે જે કોઈએ માંગ્યા નહોતા: અંગ્રેજીમાં જવાબ આપવો અને માફીથી શરૂઆત કરવી.

Try a changed situation હવે ઉદાહરણ એક બોલતી સ્ક્રિપ્ટ છે જે પરિવારને પીવાનું પાણી કેવી રીતે સાચવવું તે કહે છે. તેમાં શું હોવું જ જોઈએ?

Make something yourself એક કડક મર્યાદિત સૂચન માટે એક કાર્યરત ઉદાહરણ લખો. પછી તે શું શીખવે છે તે યાદી બનાવો.

Read the primary or official source: OpenAI InstructGPT