All learning paths Learn See Try Make ಮತ್ತೊಬ್ಬರಿಗೆ ಅಂಕೆ ನೀಡುವ ಉತ್ತರವನ್ನು ಬರೆಯಿರಿ What this lesson is about ಯಾರಾದರೂ ಮತ್ತೊಬ್ಬರ ಉತ್ತರದ ನಿರ್ಣಯವಲ್ಲ, ನೇರವಾಗಿ ಉಲ್ಲೇಖ ಉತ್ತರವನ್ನು ಬರೆಯಿರಿ: ಕೇಳಿದ ಪ್ರಕರಣವನ್ನು ನಿರ್ಧರಿಸುವುದು, ಅದರ ಹಂತಗಳನ್ನು ತೋರಿಸುವುದು, ಮತ್ತು ತಿರಸ್ಕರಿಸುವುದು ಸೂಕ್ತವಾದಾಗ ತಿರಸ್ಕರಿಸುವುದು.
ನೀವು ಅಂಗಡಿಯವರಿಗೆ ಕತ್ತರಿಸಿದ ಬಟ್ಟೆ ವಾಪಸು ನೀಡಬಹುದೇ ಎಂದು ಕೇಳಲಾಗಿದೆ. ಮೊದಲಿಗೆ ಏನು ಬರೆಯುತ್ತೀರಿ?
A ಅಂಗಡಿ ಅನುಮತಿಸುವ ಪ್ರತಿಯೊಂದು ವಾಪಸು ಪ್ರಕಾರವನ್ನು ಒಳಗೊಂಡಂತೆ ಸಂಪೂರ್ಣ ಉತ್ತರವನ್ನು ಬರೆಯಿರಿ. B ಈ ಗ್ರಾಹಕನಿಗೆ ಒಳ್ಳೆಯ ಅಂಗಡಿ ಏನು ಮಾಡಬೇಕು ಎಂದು ಬರೆಯಿರಿ, ಅಂಗಡಿಯ ನಿಯಮವನ್ನು ಹೊರತುಪಡಿಸಿ. C ಆದರ್ಶ ಉತ್ತರವು ಕೇಳಲಾದ ಪ್ರಕರಣವನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ, ನೀವು ಬಯಸಿದ ಪ್ರಶ್ನೆಯನ್ನು ಅಲ್ಲ.
Check my recall Why this matters ಬಹುತೆಕ ಯೋಜನೆಗಳು ಮತ್ತೊಬ್ಬರ ಉತ್ತರದ ಅಂಕೆ ನೀಡುವುದನ್ನು ಬಿಟ್ಟು ನೇರವಾಗಿ ಆದರ್ಶ ಉತ್ತರವನ್ನು ಖರೀದಿಸುತ್ತವೆ. ಮಾನವ ಪ್ರತಿಕ್ರಿಯೆಯಿಂದ ತರಬೇತಿ ಪಡೆದ ಕೆಲಸಗಳಲ್ಲಿ ಮೊದಲು ಬೇಕಾದ ಉತ್ತರವನ್ನು ಬರೆಯಲಾಗಿತ್ತು. ಅಂಕೆ ನೀಡುವ ಹಂತವು ನಂತರ ಬರುತ್ತಿತ್ತು. ಸೌಮ್ಯ ಉಲ್ಲೇಖ ಉತ್ತರವು ಅದರ ಮೇಲೆ ಆಧಾರಿತ ಪ್ರತಿಯೊಂದು ಅಂಕೆಯನ್ನು ಸೌಮ್ಯಗೊಳಿಸುತ್ತದೆ.
ಪ್ರತಿ ನಂತರದ ಅಂಕೆ ಇದಕ್ಕೆ ಆಧಾರವಾಗುವ ಉಲ್ಲೇಖ ಉತ್ತರವನ್ನು ಬರೆಯಿರಿ.
ಬಹುತೆಕ ಯೋಜನೆಗಳು ಮತ್ತೊಬ್ಬರ ಉತ್ತರದ ಅಂಕೆ ನೀಡುವುದನ್ನು ಬಿಟ್ಟು ನೇರವಾಗಿ ಆದರ್ಶ ಉತ್ತರವನ್ನು ಖರೀದಿಸುತ್ತವೆ. ಮಾನವ ಪ್ರತಿಕ್ರಿಯೆಯಿಂದ ತರಬೇತಿ ಪಡೆದ ಕೆಲಸಗಳಲ್ಲಿ ಮೊದಲು ಬೇಕಾದ ಉತ್ತರವನ್ನು ಬರೆಯಲಾಗಿತ್ತು. ಅಂಕೆ ನೀಡುವ ಹಂತವು ನಂತರ ಬರುತ್ತಿತ್ತು. ಸೌಮ್ಯ ಉಲ್ಲೇಖ ಉತ್ತರವು ಅದರ ಮೇಲೆ ಆಧಾರಿತ ಪ್ರತಿಯೊಂದು ಅಂಕೆಯನ್ನು ಸೌಮ್ಯಗೊಳಿಸುತ್ತದೆ.
ಆದರ್ಶ ಉತ್ತರವು ಕೇಳಲಾದ ಪ್ರಕರಣವನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ, ನೀವು ಬಯಸಿದ ಪ್ರಶ್ನೆಯನ್ನು ಅಲ್ಲ. ಅಂಕೆ ನೀಡುವವರು ಪರಿಶೀಲಿಸಬೇಕಾದ ಪ್ರತಿಯೊಂದು ಹಂತವನ್ನು ತೋರಿಸಿ, ನಿಮ್ಮ ಮನಸ್ಸಿನಲ್ಲಿ ಮಾಡಿದ ಲೆಕ್ಕಾಚಾರ ಸಹ ಸೇರಿಸಿ. ನಿಜವಾದ ಉತ್ತರ 'ಇಲ್ಲ' ಆಗಿದ್ದರೆ, ಆದರ್ಶ ಉತ್ತರವು 'ಇಲ್ಲ' ಎಂದು ಹೇಳಿ, ಏಕೆಂದರೆ ಮತ್ತು ಯಾವ ವಿಷಯದಲ್ಲಿ ಎಂದು ವಿವರಿಸುತ್ತದೆ. Task ಒಂದು ಬಟ್ಟೆ ಹೋಲ್ಸೇಲ್ ವ್ಯಾಪಾರಿಯ ಗ್ರಾಹಕ ವಾಪಸು ಕುರಿತು ಬರೆಯುತ್ತಾನೆ. ಅವನು ಸೆಪ್ಟೆಂಬರ್ 2 ರಂದು ನಲವತ್ತು ಮೀಟರ್ ಖರೀದಿಸಿದ್ದಾನೆ, ಅದರಲ್ಲಿ ಆರು ಮೀಟರ್ ಅವನ ಅಳತೆಗೆ ಕತ್ತರಿಸಲಾಗಿದೆ. ಈಗ ಅವನು ಎಂಟು ಮೀಟರ್ ವಾಪಸು ನೀಡಲು ಬಯಸುತ್ತಾನೆ.
Weak approach ಬಳಸದ ಸರಕನ್ನು ಹದಿನೈದು ದಿನಗಳಲ್ಲಿ ವಾಪಸು ಪಡೆಯಬಹುದು ಎಂದು ಉತ್ತರ ನೀಡುತ್ತದೆ ಮತ್ತು ಬಿಲ್ ತರುವಂತೆ ಕೇಳುತ್ತದೆ. ಅಂಗಡಿ ತನ್ನ ಗ್ರಾಹಕರ ಬಗ್ಗೆ ಎಷ್ಟು ಕಾಳಜಿ ವಹಿಸುತ್ತದೆ ಎಂಬುದರ ಬಗ್ಗೆ ಒಂದು ಸಾಲು ಸೇರಿಸುತ್ತದೆ. ಕತ್ತರಿಸಿದ ಬಟ್ಟೆಯ ಬಗ್ಗೆ ಉಲ್ಲೇಖವಿಲ್ಲ.
Stronger approach ಹದಿನೈದು ದಿನಗಳು ಸೆಪ್ಟೆಂಬರ್ 2 ರಿಂದ ಎಣಿಸಲಾಗುತ್ತದೆ, ಆದ್ದರಿಂದ ಸೆಪ್ಟೆಂಬರ್ 17 ಕೊನೆಯ ದಿನ ಎಂದು ಹೇಳುತ್ತದೆ. ಕತ್ತರಿಸಿದ ಆರು ಮೀಟರ್ ವಾಪಸು ಪಡೆಯಲಾಗುವುದಿಲ್ಲ ಮತ್ತು ಏಕೆ ಎಂದು ವಿವರಿಸುತ್ತದೆ. ನಂತರ ಯಾವುದು ಮುಕ್ತವಾಗಿದೆ ಎಂಬುದನ್ನು ನೀಡುತ್ತದೆ: ಕತ್ತರಿಸದ ಮೀಟರ್ಗಳನ್ನು ಅದೇ ಬಿಲ್ಗೆ ವಿನಿಮಯ ಮಾಡಬಹುದು. ಕೊನೆಯಲ್ಲಿ ಗ್ರಾಹಕ ಏನು ತರಬೇಕೆಂದು ಹೇಳುತ್ತದೆ.
Why the stronger approach works ಎರಡೂ ಉತ್ತರಗಳು ಶಿಷ್ಟವಾಗಿವೆ ಮತ್ತು ಯಾವುದೇ ತಪ್ಪು ಹೇಳುವುದಿಲ್ಲ. ಈ ಗ್ರಾಹಕರ ಪ್ರಕರಣವನ್ನು ಒಂದೇ ಉತ್ತರ ನಿರ್ಧರಿಸುತ್ತದೆ, ಮತ್ತು ಅಂಕೆ ನೀಡುವವರು ಅದನ್ನು ತೋರಿಸಬಹುದು.
Try a changed situation ನೀವು ಈಗ ಬರೆಯುತ್ತಿರುವ ಚಿನ್ನದ ಉತ್ತರವು ತರಗತಿ 8 ಗಣಿತದ ರಿಯಾಯಿತಿ ಪ್ರಶ್ನೆಯಾಗಿದೆ. ಅದರಲ್ಲಿ ಏನು ಇರಬೇಕು?
Make something yourself ನೀವು ತಿಳಿದಿರುವ ವ್ಯಾಪಾರದಲ್ಲಿ ಗ್ರಾಹಕರು ನಿಜವಾಗಿಯೂ ಕೇಳುವ ಪ್ರಶ್ನೆಯನ್ನು ತೆಗೆದುಕೊಳ್ಳಿ. ಅದಕ್ಕೆ ಚಿನ್ನದ ಉತ್ತರವನ್ನು ಬರೆಯಿರಿ. ನಂತರ ಅಂಕೆ ನೀಡುವವರು ಯಾವ ಕಾರಣಗಳಿಂದ ಅಂಕೆ ಕಡಿತ ಮಾಡಬೇಕು ಎಂಬುದರ ಬಗ್ಗೆ ಮೂರು ಸಾಲು ಬರೆಯಿರಿ.
Read the primary or official source: Ouyang et al., Training language models to follow instructions (arXiv)