ମେସିନ୍ ଅନୁବାଦ। ଇଂରାଜୀ ଏବଂ ହିନ୍ଦୀ ସମୀକ୍ଷିତ ସଂସ୍କରଣ ଅଟେ।English हिन्दी

3 sections show the reviewed English text because a ଓଡ଼ିଆ translation was not available for it.

Learn
See
Try
Make

What a reward model is

What this lesson is about

ଚିହ୍ନିତ ଯୁଗଳରୁ କ’ଣ ତିଆରି ହୁଏ ଦେଖନ୍ତୁ: ଏକ scorer, ଯାହା ସଠିକ୍ ଉତ୍ତର ନୁହେଁ, ଆପଣଙ୍କର କ୍ରମ ଉପରେ ଶିକ୍ଷିତ।

ଆପଣଙ୍କର ୮୦୦ ଚିହ୍ନିତ ଯୁଗଳର ବ୍ୟାଚ୍ ସୋମବାର ଏକ ପରୀକ୍ଷାଗୃହକୁ ଯାଉଛି। ଏକ ସହଯୋଗୀ ପଚାରେ ଯେ ସେଠାରେ ଏହାରୁ କ’ଣ ତିଆରି ହୁଏ।

Why this matters

ପ୍ରକାଶିତ ସାରାଂଶ ଚାଳନାରେ ଏହି ଗଠନ ଦେଖାଯାଏ। ଚିହ୍ନିତ ଯୁଗଳ scorer କୁ ଶିଖାଏ, ଏବଂ ପରେ ମଡେଲ୍ ସେହି scorer ଅନୁସାରେ ସୁଧାରିତ ହୁଏ। ତେଣୁ ଆପଣଙ୍କର ଯୁଗଳ ମଡେଲ୍ ନକଲ କରିବାକୁ ଚାହୁଁଥିବା ଉତ୍ତର ନୁହେଁ। ଏହା scorer ର ନିଜ ଶିକ୍ଷାର ଗୋଟିଏ ପଙ୍କ୍ତି, ଏବଂ ପରେ ମଡେଲ୍ ସେହି scorer କୁ ପ୍ରସନ୍ନ କରିବା ପାଇଁ ପ୍ରେରିତ ହୁଏ।

କହନ୍ତୁ ଏକ reward model କ’ଣ, କ’ଣ ଉପରେ ଏହା ଶିଖାଯାଏ, ଏବଂ ଗୋଟିଏ ଚିହ୍ନିତ ଯୁଗଳ କ’ଣ ହୁଏ।

A reward model is a scorer trained on your pairs, not on the right answer.
ଗୋଟିଏ ଯୁଗଳ କେବଳ କ୍ରମ ଶିଖାଏ: ସେହି ଅନୁରୋଧ ପାଇଁ ଏହି ଉତ୍ତର ଅନ୍ୟଟିଠାରୁ ଉପରେ।
ପରେ ମଡେଲ୍ ସେହି scorer ର ସଂଖ୍ୟା ବୃଦ୍ଧି କରିବାକୁ ପ୍ରେରିତ ହୁଏ, ତେଣୁ ଦୁର୍ବଳ scorer ଦୁର୍ବଳ ଅଭ୍ୟାସ ଶିଖାଏ।

Task

ଆରୋଗ୍ୟ ଉତ୍ତରର ୮୦୦ ଚିହ୍ନିତ ଯୁଗଳ ଶିକ୍ଷା ପାଇଁ ପଠାଯାଉଛି। ଗୋଟିଏ ଯୁଗଳ କ’ଣ ହୁଏ କହନ୍ତୁ।

Weak approach କହେ ଯେ ପ୍ରତ୍ୟେକ ଚୟିତ ଉତ୍ତର ମଡେଲ୍ ପାଇଁ ଏକ ଶିକ୍ଷା ଉଦାହରଣ ହୁଏ। ୮୦୦ ଯୁଗଳକୁ ୮୦୦ ଆଦର୍ଶ ଉତ୍ତର ଭାବେ ନେଇଥାଏ, ଯାହାକୁ ମଡେଲ୍ ନକଲ କରିବ।

Stronger approach କହେ ଯେ ପ୍ରତ୍ୟେକ ଯୁଗଳ scorer ପାଇଁ ଗୋଟିଏ ତୁଳନା ହୁଏ। scorer ଶିଖେ କିଏ ଉତ୍ତର ଅନ୍ୟଟିଠାରୁ ଉପରେ। ପରେ ମଡେଲ୍ ସେହି scorer ର ସଂଖ୍ୟା ବୃଦ୍ଧି କରିବାକୁ ପ୍ରେରିତ ହୁଏ।

Why the stronger approach works ଦୁର୍ବଳ ବୁଝାମଣି ଚୟିତ ଉତ୍ତରକୁ ନକଲ କରିବା ଯୋଗ୍ୟ ଆଦର୍ଶ ଉତ୍ତର କରିଦିଏ। ଯୁଗଳରେ କ୍ରମ ଥାଏ, ଶବ୍ଦ ନୁହେଁ।

Try a changed situation ଦୋକାନ ସମୀକ୍ଷା ଟିମ୍ ମରାଠୀ ଯୁଗଳରେ ଚିହ୍ନ ଲଗାଏ। ତାଙ୍କ scorer ବର୍ତ୍ତମାନ ପ୍ରାୟ ସବୁବେଳେ ଲମ୍ବା ଉତ୍ତରକୁ ଶୀର୍ଷରେ ରଖେ।

Make something yourself ଏହି ସପ୍ତାହରେ ଆପଣ ଯେଉଁ ଗୋଟିଏ ଯୁଗଳ ଚିହ୍ନିତ କରିଛନ୍ତି, ତାହା ନିଅନ୍ତୁ। scorer ତାହାରୁ କ’ଣ ଶିଖେ ଏବଂ ଏକ ଜିନିଷ ଯାହା ଶିଖିପାରେ ନାହିଁ ଲେଖନ୍ତୁ।

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