Skip to lesson

യന്ത്രം വിവർത്തനം ചെയ്തതാണ്. ഇംഗ്ലീഷ്, ഹിന്ദി പരിശോധിച്ച പതിപ്പുകളാണ്.Englishहिन्दी

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

ഒരു റിവാർഡ് മോഡൽ എന്താണ്

What this lesson is about

മാർക്കുചെയ്ത ജോഡികളിൽ നിന്നു് എന്താണ് നിർമ്മിക്കപ്പെടുന്നത് എന്ന് കാണുക: ശരിയായ ഉത്തരം അല്ല, നിങ്ങളുടെ ക്രമം അടിസ്ഥാനമാക്കി പരിശീലിപ്പിച്ച ഒരു സ്കോറർ.

നിങ്ങളുടെ എട്ട് നൂറ് മാർക്കുചെയ്ത ജോഡികളുടെ ബാച്ച് തിങ്കളാഴ്ച ഒരു ലാബിലേക്ക് പോകുന്നു. ഒരു സഹപ്രവർത്തകൻ അവയിൽ നിന്നു് ലാബ് എന്ത് നിർമ്മിക്കും എന്ന് ചോദിക്കുന്നു.

Why this matters

ഒരു പ്രസിദ്ധീകരിച്ച സംഗ്രഹ പ്രവർത്തനത്തിൽ ഈ ഘടന കാണാം. മാർക്കുചെയ്ത ജോഡികൾ സ്കോററെ പരിശീലിപ്പിക്കുന്നു, പിന്നീട് മോഡൽ ആ സ്കോററിനെ അടിസ്ഥാനമാക്കി മെച്ചപ്പെടുത്തപ്പെടുന്നു. അതിനാൽ നിങ്ങളുടെ ജോഡി മോഡൽ പകർപ്പു് ചെയ്യാനുള്ള ഉത്തരം അല്ല. അത് സ്കോററിന്റെ സ്വന്തം പഠനത്തിലെ ഒരു വരിയാണ്. പിന്നീട് മോഡൽ ആ സ്കോററെ സന്തോഷിപ്പിക്കാൻ പ്രേരിപ്പിക്കപ്പെടുന്നു.

Read the primary or official source: Stiennon et al., Learning to summarize from human feedback (arXiv)