Skip to lesson

യന്ത്രം വിവർത്തനം ചെയ്തതാണ്. ഇംഗ്ലീഷ്, ഹിന്ദി പരിശോധിച്ച പതിപ്പുകളാണ്.Englishहिन्दी

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

ഒരു പ്രിഫറൻസ് ബാച്ച് ഓഡിറ്റ് ചെയ്യുക

What this lesson is about

പ്രിഫറൻസ് മാർക്കുകളുടെ ഒരു ബാച്ച് തുറന്ന്, സ്കോറർ അതിൽ നിന്ന് പഠിക്കാനിടയുള്ള പിഴവുകൾ എണ്ണുക, പിന്നെ കുറിപ്പ് എഴുതുക.

നൂറു മാർക്ക് ചെയ്ത ജോഡികളുടെ ഒരു ബാച്ച് ലാബിലേക്ക് പോകുന്നതിന് മുമ്പ് നിങ്ങളുടെ മേശയിൽ എത്തുന്നു. നിങ്ങൾ ആദ്യം എന്ത് എണ്ണും?

Why this matters

ഒരു പ്രസിദ്ധീകരിച്ച അസിസ്റ്റന്റ് റൺ ലാബിലെ സ്വന്തം ഗവേഷകരും പണമടച്ച് റിവ്യൂവേഴ്സും തമ്മിലുള്ള ഒത്തുപോക്ക് ഏകദേശം അറുപത്തിമൂന്ന് ശതമാനമാണ് എന്ന് അളന്നിരുന്നു. അതാണ് കഠിനമായ കേസുകളിൽ സൂക്ഷ്മമായ ജോലി കാണിക്കുന്നത്. അതിനാൽ സ്വയം ഏകദേശം പൂർണ്ണമായും ഒത്തുപോകുന്ന ബാച്ച് ആദ്യം തുറക്കേണ്ടതാണ്. നിങ്ങൾ അന്വേഷിക്കുന്നത് സ്കോറർ പകർന്നു കൊള്ളുന്ന ശീലമാണ്.

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