Skip to lesson

ಯಂತ್ರ ಅನುವಾದಿತ. ಇಂಗ್ಲಿಷ್ ಮತ್ತು ಹಿಂದಿ ಪರಿಶೀಲಿತ ಆವೃತ್ತಿಗಳು.Englishहिन्दी

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

ನಿಮ್ಮ ಲೇಬಲ್ಗಳು ಎಲ್ಲಿಗೆ ಹೋಗುತ್ತವೆ

What this lesson is about

ನಿಮ್ಮ ಸ್ಕ್ರೀನ್‌ನಿಂದ ಒಂದು ರೇಟಿಂಗ್ ಬ್ಯಾಚ್ ಅನ್ನು ತರಬೇತಿ ರನ್‌ಗೆ ಅನುಸರಿಸಿ, ಮತ್ತು ಅದರ ಮಾರ್ಗದಲ್ಲಿ ಪಾಸಾಗುವ ಪರಿಶೀಲನೆಗಳನ್ನು ಕಂಡುಹಿಡಿಯಿರಿ.

ನೀವು ಶುಕ್ರವಾರ 200 ಸಾಲುಗಳನ್ನು ಮುಗಿಸಿ ಕಳುಹಿಸುತ್ತೀರಿ. ನಿಮ್ಮ ಸಂಬಂಧಿ ಆ ರಾತ್ರಿ ಮಾದರಿ ಬದಲಾಗುತ್ತದೆಯೇ ಎಂದು ಕೇಳುತ್ತಾನೆ.

Why this matters

ಪ್ರಕಟಿತ ಸಹಾಯಕ ರನ್ ಸ್ಪಷ್ಟವಾಗಿ ಈ ಚಕ್ರವನ್ನು ವಿವರಿಸುತ್ತದೆ. ಬ್ಯಾಚ್‌ಗಳನ್ನು ಒಟ್ಟುಗೂಡಿಸಲಾಗುತ್ತದೆ, ಒಂದು ಭಾಗವನ್ನು ಬೇರ್ಪಡಿಸಲಾಗುತ್ತದೆ, ಮಾದರಿಯನ್ನು ತರಬೇತಿಗೊಳಿಸಲಾಗುತ್ತದೆ, ಮತ್ತು ಬದಲಾದ ಮಾದರಿಯಲ್ಲಿ ಹೊಸ ಬ್ಯಾಚ್‌ಗಳು ಬರುತ್ತವೆ. ನಂತರ ಆ ರನ್ ಮೇಲೆ ನಂಬಿಕೆ ಇಡುವುದಕ್ಕೆ ಎರಡು ವಿಷಯಗಳು ನಿರ್ಧಾರ ಮಾಡುತ್ತವೆ. ಬೇರ್ಪಡಿಸಿದ ಸೆಟ್ — ಮಾದರಿ ಎಂದಿಗೂ ತರಬೇತಿ ಮಾಡದ ಐಟಂಗಳು — ದುರಸ್ತಿ ಸಮಯದಲ್ಲಿ ಓದಲಾಗಬಾರದು. ಮತ್ತು ಪ್ರತಿಯೊಂದು ಬ್ಯಾಚ್ ಕೂಡ ಯಾರು ಮತ್ತು ಯಾವಾಗ ಗುರುತಿಸಿದ್ದಾರೆ ಎಂಬ ಮಾಹಿತಿಯನ್ನು ಹೊಂದಿರಬೇಕು.

Read the primary or official source: Bai et al., Training a Helpful and Harmless Assistant with RLHF (arXiv)