All learning paths Learn See Try Make ایک پسند بٲچ ژٲنچ کرن What this lesson is about پسند نشانٕ ہند بٲچ کھولٙ، گنتٙ کرٙ کہ سکورٙر کتھ چھ سٲٹھ سٲٹھ گلتٙ سیکھٙ، تہ نوٹ لکھٙ۔
نو سو نشان لگٙ جوڑٙ ہند بٲچ تجربٙہ گٲر منز آوٙ۔ سب سے پہلٙ کٲہ گنتٙ کرٙ؟
A کس کس نے کتنے جوڑٙ مکمل کیٙ، تہ سست میز تجربٙہ گٲر شکایت منز پہلٙ دکھٙ۔ B تین گلتٙ سکورٙر خراب کرٙن: لمبٙ جواب ژٲنٙ، پہلا دکھٙ جواب ژٲنٙ، تہ اکیلا ریویور نشان لگٙن۔ C چنے ہوئے جواب پڑھٙ اچھٙ چھ یا نہ، کیونٙ تہ اچھٙ جواب ہند نال اچھٙ بٲچ بندٙ۔
Check my recall Why this matters ایک شائع شدہ اسسٹنٹ پرجیکٹ نے اپنی ٹیم تہ پیسہ پر رکھے ریویورز منز متفق تقریباً ترسٹھ فیصد ناپٙ۔ مشکل کیس منز محتاط کم ایسا ہی لگٙ۔ سو جیہ بٲچ خود منز قریب مکمل متفق چھ، وہ سب سے پہلٙ کھولٙ۔ توہندٙ تلاش چھ عادت، جو سکورٙر نقل کرٙ گا۔
پسند نشانٕ ہند بٲچ ژٲنچ کرٙ کہ سکورٙر کتھ گلتٙ سیکھٙ گا۔ نوٹ لکھٙ۔
ایک شائع شدہ اسسٹنٹ پرجیکٹ نے اپنی ٹیم تہ پیسہ پر رکھے ریویورز منز متفق تقریباً ترسٹھ فیصد ناپٙ۔ مشکل کیس منز محتاط کم ایسا ہی لگٙ۔ سو جیہ بٲچ خود منز قریب مکمل متفق چھ، وہ سب سے پہلٙ کھولٙ۔ توہندٙ تلاش چھ عادت، جو سکورٙر نقل کرٙ گا۔
تین گلتٙ سکورٙر خراب کرٙن: لمبٙ جواب ژٲنٙ، پہلا دکھٙ جواب ژٲنٙ، تہ اکیلا ریویور نشان لگٙن۔ قریب مکمل متفق انعام نہ، خبٲر داری چھ، کیونٙ تہ مشکل کیس منز محتاط لوگ بٲٹٙ ہند۔ گنتٙ نمونٙ سائز ہند نال دسنٙ، تہ کٲہ گلتٙ ژٲنٙ نہ سٲکھٙ۔ Task صحت ہیلپ لائن ہند نو سو پسند جوڑٙ منز ساٹھ ژٲنچ کرٙ، تربیت منز جانٙ سٲٹھ۔
Weak approach ساٹھ جوڑٙ پڑھٙ، ہر نشان سمجھٙدار پٲتٙ، تہ لکھٙ کہ بٲچ صاف چھ تہ جاوٙ۔ کٲہ گنتٙ نہ کرٙ، کٲہ ریویور ناو نہ لکھٙ۔
Stronger approach گنتٙ کرٙ: ساٹھ منز اڑتالیس وار لمبٙ جواب ژٲنٙ، تہ اکتالیس وار پہلا دکھٙ جواب۔ دونوں گنتٙ نمونٙ سائز ہند نال دسنٙ، تہ کہٙ تہ تیس جوڑٙ ترتیب الٹ کر دوبارہ نشان لگٙ۔
Why the stronger approach works دوٚنٙ ہندٙ اوہی ساٹھ جوڑٙ پڑھٙ۔ مضبوط ژٲنچ اوہ پڑھٙ دو گنتٙ منز بدٙل کرٙ، جیہ چھ خریدار پرکھٙ سکٙ۔
Try a changed situation توہندٙ نمونٙ منز ساٹھ مشکل جوڑٙ منز دوٚنٙ ہند متفق انسٹھ چھ۔ خریدار چھ کہ یہ بہترین کم۔
Make something yourself ایک پسند بٲچ ہند نمونٙ ژٲنچ کرٙ۔ گنتٙ کرٙ لمبٙ جواب ژٲنٙ تہ پہلا دکھٙ جواب ژٲنٙ، تہ نوٹ لکھٙ۔
Read the primary or official source: Bai et al., Training a Helpful and Harmless Assistant with RLHF (arXiv)