All learning paths Learn See Try Make پسندٕ ہندٕ سٲ تربیتٕ سگنل What this lesson is about دٲکھٕ کہ دو جوابٕ منزٕ چٲنٛس کیا پکڑٕ۔ دٲکھٕ کہ جب ہدایات یا جائزہ لینے والے اختلاف کرن تہ کیا چھ رہٕ۔
تُهند شیٹ منز ایک جواب چھُندہ سوموار بئچ ہند، تہ ہند سوال ہند بلکل وکھری۔ تُهند کیہ ٹھیک کرن؟
A دونوں قطار رکھ، تہ تھلے لکھ کہ سوال وکھرے ہند۔ B ایک ہی سوال ژٲ دو جواب رکھٛے جنہ ژٲ موازنہ کرن۔ C دونوں جواب یم منز پرکھ، کیوں کہ چُھنگا جواب ہند کُتھ چھُنگا۔
Check my recall Why this matters پسند صرف اتنا اچھا چھ جتنا اس کے پیچھے چھ۔ یعنی کام، اصول — وہ چیک لسٹ جو اچھے جواب کی ضرورت بتاوان۔ یہ بھی کہ جائزہ لینے والے کیا جانٛ تہ اختلاف کیسے حل ہون۔ ہر اصول کی لائن معیار چھ — ایک نامزد خصوصیت جس پر فیصلہ کرن۔
سمجھٕ کہ دو جوابٕ منزٕ پسند کیا پکڑٕ تہ اختلاف کہاں حل کرن ضروری چھ۔
پسند صرف اتنا اچھا چھ جتنا اس کے پیچھے چھ۔ یعنی کام، اصول — وہ چیک لسٹ جو اچھے جواب کی ضرورت بتاوان۔ یہ بھی کہ جائزہ لینے والے کیا جانٛ تہ اختلاف کیسے حل ہون۔ ہر اصول کی لائن معیار چھ — ایک نامزد خصوصیت جس پر فیصلہ کرن۔
ایک ہی سوال ژٲ دو جواب رکھٛے جنہ ژٲ موازنہ کرن۔ صرف الف یا ب نہ، فیصلہ کن معیار بھی لکھو۔ منصفانہ اختلاف کو ثبوت سمجھ کہ کام ٹھیک کرن کی ضرورت چھ۔ Task دو جُجّے ایک ہی رقم واپسی سوال کے دو جوابوں کی موازنہ کرن۔ معیار میں درستگی تہ انداز لکھا ہے، لمبائی بارے کُچھ نہ۔
Weak approach دونوں جواب دو بار پڑھت تہ دوسرا چُن لیت، کیوں کہ اس کا انداز زیادہ نرم لگت۔ خانہ میں ‘دوسرا’ لکھ کر آگے بڑھت۔ معیار کی وہ لائن جو فیصلہ کر رہی تھی، پرچے پر کہیں نہیں۔ اگلے ہفتے کوئی نہ کہہ سکد کہ انداز جیتا یا درستگی۔
Stronger approach دوسرا ہی چُن لیت، پر ساتھ میں وہ لائن بھی لکھت جس پر وہ جیتا: پہلا جواب چودہ دن کی مدت چھوڑ دیتا۔ پھر یہ بھی لکھت کہ معیار کہیں نہیں بتات کہ چھوٹا درست جواب لمبے درست جواب سے بہتر ہے یا نہیں۔
Why the stronger approach works دونوں نے ایک ہی جواب چُن لیا، پر وجہ صرف ایک نے دی۔ اس جوڑے سے جو اگلا سبق بنتا ہے، وہی اگلا درس ہے: نمبر دینے والا اسی لکھی ہوئی لائن سے سیکھتا ہے۔ صرف ‘دوسرا’ لکھنے سے کچھ نہیں ملتا۔
Try a changed situation دو صحت کار کم کرن والے متفق ناہ ہند کہ دو پمفلٹ منز کون صاف چھُ، تہ میٹنگ پنج منٹ منز ختم۔ شیٹ منز کیہ لکھان؟
Make something yourself پسند کے چار قدموں کا نقشہ بناؤ۔ پھر ایک جگہ نام کرٕ جہاں تعصب یا غیر واضح چیز آسکتی۔
Read the primary or official source: Hugging Face Alignment Course