Skip to lesson

मशीनने अनुवादित केले आहे. इंग्रजी आणि हिंदी ही पुनरावलोकित आवृत्त्या आहेत.Englishहिन्दी

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

तुमचे लेबल कुठे जातात

What this lesson is about

तुमच्या स्क्रीनवरून रेटिंग बॅच कशी ट्रेनिंग रनपर्यंत जाते ते पाहा, आणि त्यावर होणाऱ्या तपासण्या शोधा.

तुम्ही शुक्रवारला दोनशे रकाने पूर्ण करून पाठवले. तुमचा चुलत भाऊ विचारतो की त्या रात्री मॉडेल बदलते का?

Why this matters

प्रकाशित सहाय्यक रनने हा चक्र स्पष्टपणे सांगितला आहे. बॅचेस एकत्र केले जातात, काही बाजूला ठेवले जातात, मॉडेल प्रशिक्षित केले जाते, आणि बदललेल्या मॉडेलवर नवीन बॅचेस येतात. नंतर त्या रनवर विश्वास ठेवण्यासाठी दोन गोष्टी महत्त्वाच्या आहेत. बाजूला ठेवलेला संच — ज्यावर मॉडेल कधीही प्रशिक्षण घेत नाही — तो दुरुस्ती दरम्यान न वाचलेला असावा. आणि प्रत्येक बॅचसोबत कोणाने आणि कधी मार्क केले हे असले पाहिजे.

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