All learning paths Learn See Try Make ഒരു മറുപടി മാത്രം അല്ല, സംഭാഷണം മുഴുവൻ അവലോകനം ചെയ്യുക What this lesson is about മറുപടി മുമ്പ് നിശ്ചയിച്ച സംഭാഷണത്തെ അടിസ്ഥാനമാക്കി വിലയിരുത്തുക. ഉപയോക്താവിന്റെ നിബന്ധനകൾ, അവരുടെ തിരുത്തലുകൾ, അവർ തിരഞ്ഞെടുത്ത ഭാഷ എന്നിവ.
ആദ്യ തവണ ഒരു ഉപഭോക്താവ് ഹിന്ദി ചോദിച്ചു. നാലാം തവണയാണ് സുതാര്യമായ ഇംഗ്ലീഷിലും ശരിയായ വിവരങ്ങളോടും ഉള്ള മറുപടി. നാലാം തവണയ്ക്ക് നിങ്ങൾ എങ്ങനെ സ്കോർ നൽകും?
A ഒരു നിശ്ചിത നിർദ്ദേശം ഉപയോക്താവ് മാറ്റം വരുത്തുന്നത് വരെ നിലനിൽക്കും. B അത് പാസ്സാക്കുക, കാരണം ഹിന്ദി അഭ്യർത്ഥന ആദ്യ മറുപടിക്കു മാത്രമാണ്. C ഉപഭോക്താവ് പിന്നീട് വീണ്ടും ഹിന്ദി ചോദിച്ചാൽ മാത്രമേ സ്കോർ കുറയ്ക്കൂ.
Check my recall Why this matters ഒറ്റ മറുപടി അവലോകനം മൂന്ന് തവണകൾക്ക് മുമ്പ് ഉപയോക്താവ് ആവശ്യപ്പെട്ടത് മൗനമായി ഉപേക്ഷിക്കുന്ന സംഭാഷണങ്ങളെ പാസാക്കും.
ഓരോ മറുപടിയും സംഭാഷണത്തിൽ മുമ്പ് നിശ്ചയിച്ച നിബന്ധനകൾ, തിരുത്തലുകൾ, വാസ്തവങ്ങൾ എന്നിവയുടെ അടിസ്ഥാനത്തിൽ വിലയിരുത്തുക.
ഒറ്റ മറുപടി അവലോകനം മൂന്ന് തവണകൾക്ക് മുമ്പ് ഉപയോക്താവ് ആവശ്യപ്പെട്ടത് മൗനമായി ഉപേക്ഷിക്കുന്ന സംഭാഷണങ്ങളെ പാസാക്കും.
ഒരു നിശ്ചിത നിർദ്ദേശം ഉപയോക്താവ് മാറ്റം വരുത്തുന്നത് വരെ നിലനിൽക്കും. ഓരോ മറുപടിയും അതിന്റെ മുൻ തവണകളെ അടിസ്ഥാനമാക്കി പരിശോധിക്കുക, ഒറ്റയ്ക്ക് അല്ല. സംഭാഷണം ആദ്യമായി ലംഘിച്ച തവണ അടയാളപ്പെടുത്തുക, അവസാനത്തല്ല. Task ഒരു സ്കോളർഷിപ്പ് ഫോമിനെക്കുറിച്ചുള്ള നാല് തവണുള്ള സംഭാഷണം. ആദ്യ തവണയിൽ ഉപയോക്താവ് ഹിന്ദി ചോദിച്ചു. മൂന്നാം തവണ അവൾ അവസാന തീയതി ശരിയാക്കി, അസിസ്റ്റന്റ് അത് അംഗീകരിച്ചു.
Weak approach നാലാം തവണ തുറന്ന്, അതിന്റെ വസ്തുതകൾ നോട്ടീസുമായി താരതമ്യം ചെയ്ത് ശരിയാണെന്ന് കണ്ടെത്തി, അത് കടന്നുപോയി. ആദ്യ തവണ മൂന്ന് സ്ക്രീനുകൾ മുകളിൽ ആണ്, അതിലേക്ക് തിരിച്ച് പോകാറില്ല.
Stronger approach ഒന്ന് മുതൽ നാല് വരെയുള്ള തവണകൾ ക്രമത്തിൽ വായിച്ച് ഓരോതവണയും മുന്നോട്ട് കൊണ്ടുപോകേണ്ടത് എഴുതുന്നു. നാലാം തവണ ശരിയാക്കിയ തീയതി ആവർത്തിക്കുന്നു, അത് ശരിയാണ്, മറുപടി ഇംഗ്ലീഷിൽ നൽകുന്നു, ആദ്യ തവണ നിരോധിച്ചിരുന്നു. നാലാം തവണ ബ്രേക്ക് ആയി അടയാളപ്പെടുത്തി, ആദ്യ തവണയിലെ വരി ഉദ്ധരിക്കുന്നു.
Why the stronger approach works നാലാം തവണയിലെ വസ്തുതകൾ രണ്ട് റിവ്യൂകളിലും ശരിയായിരുന്നു. അവിടെ വിട്ടുപോയ നിർദ്ദേശം മൂന്ന് സ്ക്രീനുകൾ മുകളിൽ ഉണ്ടായിരുന്നു, അത് ആദ്യ തവണ മുതൽ വായിച്ച റിവ്യൂവർക്കു മാത്രമാണ് കാണുന്നത്.
Try a changed situation ഇപ്പോൾ നിങ്ങൾ സംഭാഷണം അല്ല, AI അസിസ്റ്റന്റിന്റെ ടൂൾ ഘട്ടങ്ങൾ അവലോകനം ചെയ്യുകയാണ്. ഏത് നിയമം ഇപ്പോഴും ബാധകമാണ്?
Make something yourself നിങ്ങൾ അസിസ്റ്റന്റുമായി നടത്തിയ നാല് തവണകളുള്ള സംഭാഷണം എടുക്കുക. ഓരോ തവണയ്ക്കും മുൻ തവണയിൽ നിന്നുള്ള ഒരു നിർദ്ദേശം എടുക്കേണ്ടതുണ്ടെന്ന് എഴുതുക, അത് പാലിച്ചോ ഇല്ലയോ എന്ന് പറയുക.
Read the primary or official source: Anthropic HH-RLHF