Skip to lesson

യന്ത്രം വിവർത്തനം ചെയ്തതാണ്. ഇംഗ്ലീഷ്, ഹിന്ദി പരിശോധിച്ച പതിപ്പുകളാണ്.Englishहिन्दी

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

ഇഷ്ടാനുസൃതികളിൽ നിന്ന് പരിശീലന സിഗ്നലിലേക്ക്

What this lesson is about

രണ്ടു ഉത്തരങ്ങളിൽ നിന്ന് തിരഞ്ഞെടുപ്പ് എന്തെല്ലാം ഉൾക്കൊള്ളുന്നു എന്ന് കാണുക. മാർഗ്ഗനിർദ്ദേശങ്ങളോ അവലോകനക്കാരോ തമ്മിൽ വ്യത്യാസപ്പെടുമ്പോൾ എന്ത് നഷ്ടപ്പെടുന്നു എന്നും കാണുക.

നിങ്ങളുടെ ഷീറ്റിൽ ഒരു മറുപടി തിങ്കളാഴ്ച ബാച്ചിൽ നിന്നുള്ളതാണ്, മറ്റൊന്ന് പൂർണ്ണമായും വ്യത്യസ്തമായ ഒരു ചോദ്യത്തിനുള്ളതാണ്. നിങ്ങൾ എന്ത് ശരിയാക്കും?

Why this matters

ഒരു ഇഷ്ടാനുസൃതിക്ക് പിന്നിൽ എന്താണെന്ന് മാത്രമേ അത് നല്ലതായിരിക്കൂ. അതായത് ടാസ്കും റൂബ്രിക്കും — നല്ല ഉത്തരത്തിന് എന്ത് വേണമെന്ന് പറയുന്ന ചെക്ക്ലിസ്റ്റും. കൂടാതെ അവലോകനക്കാരന്റെ അറിവും, വ്യത്യാസം എങ്ങനെ തീർപ്പാക്കപ്പെടുന്നു എന്നതും. റൂബ്രിക്കിലെ ഓരോ വരിയും ഒരു മാനദണ്ഡമാണ് — നിങ്ങൾ വിലയിരുത്തുന്ന ഒരു ഗുണം.

Read the primary or official source: Hugging Face Alignment Course