କାର୍ଯ୍ୟାନୁଷ୍ଠିତ ଉଦାହରଣ ଏବଂ SFT

What this lesson is about

କିପରି ସାବଧାନରେ ଲିଖିତ ଉଦାହରଣଗୁଡ଼ିକ ଏକ ମଡେଲକୁ ଉତ୍ତରର ଆକୃତି କେମିତି ହେବା ଉଚିତ ସେଥିରେ ଶିଖାଏ, ଦେଖନ୍ତୁ।

ଏକ କାର୍ଯ୍ୟ ତିନିଟି ସଂଖ୍ୟାବଦ୍ଧ ପଦକ୍ଷେପ ଚାହାଁଛି, ଏବଂ ତୁମର ଉଦାହରଣ ଏକ ସଂକ୍ଷିପ୍ତ ପ୍ୟାରାଗ୍ରାଫ ଭଳି ହେଉଛି। ତୁମେ କ’ଣ ପରିବର୍ତ୍ତନ କରିବା?

Why this matters

ମଡେଲ କେବଳ ସେତେବେଳେ ଉଦାହରଣରୁ ଶିଖେ ଯେତେବେଳେ ସେଗୁଡ଼ିକ ନିର୍ଦ୍ଦେଶକୁ ସ୍ପଷ୍ଟ ଭାବେ ଅନୁସରଣ କରେ।

କାର୍ଯ୍ୟାନୁଷ୍ଠିତ ଉଦାହରଣ କିପରି ସୁପରଭାଇଜ୍ ଫାଇନ୍-ଟ୍ୟୁନିଂ ପାଇଁ ଉପଯୋଗୀ ହୁଏ ଦେଖନ୍ତୁ।

ମାଗିଥିବା ଫର୍ମାଟ୍ ସଠିକ୍ ଭାବେ ରଖନ୍ତୁ।
ଆବଶ୍ୟକ ସୁରକ୍ଷା ଏବଂ ବିଷୟବସ୍ତୁ ସୀମାବଦ୍ଧତା ଅନ୍ତର୍ଗତ କରନ୍ତୁ।
ଅନିଚ୍ଛିତ ଆଦତଗୁଡ଼ିକୁ ଏଡାଇବେ, ଯାହା ମଡେଲ କପି କରିପାରେ।

Task

ନିର୍ଦ୍ଦେଶ: ଗ୍ରାହକଙ୍କୁ ଦୁଇ ପଙ୍କ୍ତିରେ ତାଙ୍କର ଲେଖା ଭାଷାରେ ଉତ୍ତର ଦିଅ, ଫେରାଇବା ସମୟ ସୀମା ଉଲ୍ଲେଖ କର।

Weak approach ହିନ୍ଦୀରେ ଆସିଥିବା ସନ୍ଦେଶକୁ ଇଂରାଜୀରେ ତିନି ପଙ୍କ୍ତିର ଏକ ଉଷ୍ମ ଉତ୍ତର ଲେଖେ। ଫେରାଇବା ସମୟ ସୀମା ଦେଇଥାଏ, ତେଣୁ ସାମଗ୍ରୀ ନିୟମ ପୂରଣ ହୁଏ। ଏହି ଲେଖକଙ୍କର ପ୍ରତ୍ୟେକ ଉଦାହରଣ ଏବେ ସେହି ମାଫି ସହିତ ଆରମ୍ଭ ହୁଏ, ଏବଂ ମଡେଲ୍ ସେହି ଆରମ୍ଭକୁ ନକଲ କରିବ।

Stronger approach ଦୁଇ ପଙ୍କ୍ତି, ହିନ୍ଦୀରେ କାରଣ ଗ୍ରାହକ ହିନ୍ଦୀରେ ଲେଖିଥିଲେ, ଚୌଦହ ଦିନର ସମୟ ସୀମା ଉଲ୍ଲେଖ କରି। କୌଣସି ମାଫି ନାହିଁ, କାରଣ ନିର୍ଦ୍ଦେଶରେ ଏହା ଚାହିଁ ନଥିଲା।

Why the stronger approach works ଦୁହିଁ ଉତ୍ତର ସାମଗ୍ରୀ ନିୟମକୁ ଅନୁସରଣ କରନ୍ତି। କମଜୋର ଉତ୍ତର ଦୁଇଟି ଅନ୍ୟ ଜିନିଷ ଶିଖାଏ, ଯାହା କେହି ଚାହିଁନଥିଲେ: ଇଂରାଜୀରେ ଉତ୍ତର ଦେବା, ଏବଂ ମାଫି ସହିତ ଆରମ୍ଭ କରିବା।

Try a changed situation ଏହି ଉଦାହରଣ ଏବେ ଏକ କଥାହୁଏଥିବା ସ୍କ୍ରିପ୍ଟ ଯାହା ପରିବାରକୁ ପିଇବା ପାଣି କିପରି ସଂରକ୍ଷଣ କରିବାକୁ କହେ। ଏଥିରେ କ’ଣ ଥିବା ଆବଶ୍ୟକ?

Make something yourself କଠୋର ସୀମିତ ନିର୍ଦ୍ଦେଶ ପାଇଁ ଗୋଟିଏ କାର୍ଯ୍ୟାନୁଷ୍ଠିତ ଉଦାହରଣ ଲେଖନ୍ତୁ। ପରେ ଏହା କ’ଣ କ’ଣ ଶିଖାଏ ତାହା ତାଲିକା କରନ୍ତୁ।

Read the primary or official source: OpenAI InstructGPT