ମୂଲ୍ୟାଙ୍କନ ଲୁପ୍‌କୁ ସମ୍ପୂର୍ଣ୍ଣ କରେ

What this lesson is about

ଏହି ମଡେଲ୍‌ ଯେଉଁ କାମରେ କେବେ ଶିକ୍ଷା ନେଇନାହାଁତି ସେହି ରହିଥିବା କାମଗୁଡ଼ିକୁ ଓ ସ୍ପଷ୍ଟ ମାନଦଣ୍ଡକୁ ବ୍ୟବହାର କରନ୍ତୁ। ପରିବର୍ତ୍ତନ ଫଳଦାୟକ ହେଲା କି ନାହିଁ ଏବଂ ନୂତନ ତ୍ରୁଟି ସୃଷ୍ଟି ହେଲା କି ନାହିଁ ଯାଞ୍ଚ କରନ୍ତୁ।

ଆପଣଙ୍କ ଟିମ୍‌କୁ ପରିବର୍ତ୍ତନକୁ ପରୀକ୍ଷା କରିବା ପାଇଁ ବିଶି ଟି ପ୍ରଶ୍ନ ଦରକାର, ଏବଂ ପिछଲା ମାସର ଟ୍ରେନିଂ ଫାଇଲ୍ ସ୍କ୍ରିନ୍‌ରେ ଖୋଲା ଅଛି। ଆପଣ କ’ଣ କରିବେ?

Why this matters

ଏକ ପରିବର୍ତ୍ତନ ଗୋଟିଏ ମାପକୁ ଉନ୍ନତ କରିପାରେ ଯେଉଁଥିରେ ସଠିକତା, ସୁରକ୍ଷା କିମ୍ବା ଗୋଟିଏ ବ୍ୟବହାରକାରୀ ଗୋଷ୍ଠୀ ଖରାପ ହେଉଛି। ସେହିପାଇଁ ଆପଣ ଏକ ରହିଥିବା ସେଟ୍‌ରେ ପରୀକ୍ଷା କରନ୍ତୁ — ଯେଉଁ କାମରେ ମଡେଲ୍‌ କେବେ ଶିକ୍ଷା ନେଇନାହାଁତି। ଏବଂ ଆପଣ ପୁନର୍ବିଚାରଣ ଖୋଜନ୍ତୁ — ଯେଉଁଥିରେ ପୂର୍ବରୁ କାମ କରୁଥିଲା ଏବେ ବିଫଳ ହେଉଛି।

ସୁଧାର ଓ ପୁନର୍ବିଚାରଣ ପାଇଁ ରହିଥିବା ସେଟ୍‌ରେ ଏକ ଛୋଟ ଯାଞ୍ଚ ଡିଜାଇନ୍ କରନ୍ତୁ।

ଯାଞ୍ଚ କାର୍ଯ୍ୟକୁ ତିଆରି କରିବା ପାଇଁ ବ୍ୟବହୃତ ଉଦାହରଣରୁ ଏହାକୁ ଅଲଗା ରଖନ୍ତୁ।
ଆପଣ ଚାହାଁଥିବା ଲାଭ ଏବଂ ଯାହା ଖରାପ ହୋଇପାରେ ସେଗୁଡ଼ିକୁ ମାପନ୍ତୁ।
ମହତ୍ତ୍ୱପୂର୍ଣ୍ଣ ଭାଷା, ବିଷୟ ଏବଂ ବ୍ୟବହାରକାରୀ ଗୋଷ୍ଠୀଗୁଡ଼ିକୁ ଯାଞ୍ଚ କରନ୍ତୁ।

Task

ଏକ ଟିମ୍ ମାସିକ ବିଲ୍ କମାଇବା ପାଇଁ ସସ୍ତା ମଡେଲ୍ ବଦଳାଏ। ଅନ୍ୟ କିଛି ପରିବର୍ତ୍ତନ ହୁଏ ନାହିଁ।

Weak approach ସେହି ପଚାସ ପ୍ରଶ୍ନ ଚଲାଏ ଯାହା ଟିମ୍ ତିଆରି କରିବା ସମୟରେ ବ୍ୟବହାର କରିଥିଲେ, ଏବଂ ସସ୍ତା ମଡେଲ୍ ସମସ୍ତ ପ୍ରଶ୍ନର ଉତ୍ତର ଦେଇଥାଏ। ରିପୋର୍ଟ କରେ କିଛି ଭଙ୍ଗିନାହିଁ। ସେହି ପଚାସ ପ୍ରଶ୍ନରେ ସେଟିଂ ଟ୍ୟୁନ୍ କରାଯାଇଥିଲା, ଏବଂ କେହି ମରାଠୀରେ କ’ଣ ଖରାପ ହେଲା ବୋଲି ପଚାରିନଥିଲେ।

Stronger approach ମଡେଲ୍ କେବେ ତିଆରି ହୋଇନଥିବା ଏକ ରଖାଯାଇଥିବା ସେଟ୍ ପ୍ରଶ୍ନରେ ପୂର୍ବରୁ ଏବଂ ପରେ ଚଲାଏ। ବିଲ୍ ତୃତୀୟାଂଶ କମିଯାଏ। ସଠିକତା ହିନ୍ଦୀରେ ରହିଥାଏ ଏବଂ ମରାଠୀରେ କମିଯାଏ, ସେହିପାଇଁ ରିପୋର୍ଟରେ ଦୁଇଟି ସଂଖ୍ୟା ଥାଏ।

Why the stronger approach works ଦୁଇଟି ରିପୋର୍ଟ ସତ୍ୟ ଟେଷ୍ଟ କରି ଲେଖାଯାଇଛି। କେବଳ ଗୋଟିଏ ଟେଷ୍ଟ କରିଥିଲେ ସେହି ପ୍ରଶ୍ନରେ ଯାହାରେ ପରିବର୍ତ୍ତନ ପୂର୍ବରୁ ଟ୍ୟୁନ୍ ହୋଇନଥିଲା।

Try a changed situation ଏକ ଟ୍ୟୁସନ୍ କେନ୍ଦ୍ର ତାଙ୍କର ସ୍ମରଣ ସନ୍ଦେଶଗୁଡ଼ିକୁ ସଂକ୍ଷିପ୍ତ କରିଛି ଏବଂ ଅଭିଭାବକମାନେ ଶୀଘ୍ର ପ୍ରତିକ୍ରିୟା ଦେଉଛନ୍ତି। ଆପଣ ଆଉ କ’ଣ ଦେଖିବେ?

Make something yourself ପାଞ୍ଚଟି କାମର ଏକ ଯାଞ୍ଚ ଯୋଜନା ତିଆରି କରନ୍ତୁ। ଗୋଟିଏ ସଫଳତା ମାପ, ଗୋଟିଏ ସୁରକ୍ଷା ଯାଞ୍ଚ ଏବଂ ଗୋଟିଏ ବ୍ୟବହାରକାରୀ ଗୋଷ୍ଠୀ ଯାଞ୍ଚ ଦିଅନ୍ତୁ।

Read the primary or official source: OpenAI HealthBench