Skip to lesson

യന്ത്രം വിവർത്തനം ചെയ്തതാണ്. ഇംഗ്ലീഷ്, ഹിന്ദി പരിശോധിച്ച പതിപ്പുകളാണ്.Englishहिन्दी

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

നിങ്ങളുടെ ലേബലുകൾ എവിടെ പോകുന്നു

What this lesson is about

നിങ്ങളുടെ സ്ക്രീനിൽ നിന്ന് ഒരു റേറ്റിംഗ് ബാച്ച് ട്രെയിനിംഗ് റണ്ണിലേക്കു പിന്തുടരുക, അതിനിടയിൽ അത് കടന്നുപോകുന്ന പരിശോധനകൾ കണ്ടെത്തുക.

വെള്ളിയാഴ്ച 200 വരികൾ പൂർത്തിയാക്കി അയച്ചു. നിങ്ങളുടെ ബന്ധുവിന് ആ രാത്രി മോഡൽ മാറുമോ എന്ന് ചോദിക്കുന്നു.

Why this matters

ഒരു പ്രസിദ്ധീകരിച്ച അസിസ്റ്റന്റ് റൺ ഈ ചക്രം വ്യക്തമായി വിവരിക്കുന്നു. ബാച്ചുകൾ കൂട്ടിച്ചേർക്കപ്പെടുന്നു, ഒരു ഭാഗം വേർതിരിച്ചുവെക്കുന്നു, മോഡൽ പരിശീലിപ്പിക്കുന്നു, മാറ്റപ്പെട്ട മോഡലിൽ പുതിയ ബാച്ചുകൾ എത്തുന്നു. പിന്നീട് റൺ വിശ്വസിക്കപ്പെടുന്നതിന് രണ്ട് കാര്യങ്ങൾ നിർണ്ണായകമാണ്. വേർതിരിച്ചുവെച്ച സെറ്റ് — മോഡൽ ഒരിക്കലും പരിശീലിപ്പിക്കാത്ത വസ്തുക്കൾ — പരിചരണ സമയത്ത് വായിക്കപ്പെടരുത്. ഓരോ ബാച്ചും ആരാണ് അത് മാർക്ക് ചെയ്തത്, എപ്പോൾ എന്ന് രേഖപ്പെടുത്തണം.

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