- Learn
- See
- Try
- Make
ਤੁਹਾਡੇ ਲੇਬਲ ਕਿੱਥੇ ਜਾਂਦੇ ਹਨ
What this lesson is about
ਆਪਣੇ ਸਕਰੀਨ ਤੋਂ ਇੱਕ ਰੇਟਿੰਗ ਬੈਚ ਨੂੰ ਟ੍ਰੇਨਿੰਗ ਰਨ ਤੱਕ ਫਾਲੋ ਕਰੋ, ਅਤੇ ਰਸਤੇ ਵਿੱਚ ਹੋਣ ਵਾਲੀਆਂ ਜਾਂਚਾਂ ਨੂੰ ਲੱਭੋ।
ਤੁਸੀਂ ਸ਼ੁੱਕਰਵਾਰ ਨੂੰ ਦੋ ਸੌ ਲਾਈਨਾਂ ਮੁਕੰਮਲ ਕਰਕੇ ਭੇਜ ਦਿੰਦੇ ਹੋ। ਤੁਹਾਡਾ ਕਜ਼ਨ ਪੁੱਛਦਾ ਹੈ ਕਿ ਕੀ ਮਾਡਲ ਉਸੀ ਸ਼ਾਮ ਨੂੰ ਬਦਲ ਜਾਂਦਾ ਹੈ।
Why this matters
ਇੱਕ ਪ੍ਰਕਾਸ਼ਿਤ ਸਹਾਇਕ ਰਨ ਸਪਸ਼ਟ ਤਰੀਕੇ ਨਾਲ ਇਹ ਚੱਕਰ ਦੱਸਦਾ ਹੈ। ਬੈਚਾਂ ਨੂੰ ਇਕੱਠਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਇੱਕ ਹਿੱਸਾ ਅਲੱਗ ਰੱਖਿਆ ਜਾਂਦਾ ਹੈ, ਮਾਡਲ ਨੂੰ ਟ੍ਰੇਨ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਬਦਲੇ ਹੋਏ ਮਾਡਲ 'ਤੇ ਨਵੇਂ ਬੈਚ ਆਉਂਦੇ ਹਨ। ਦੋ ਗੱਲਾਂ ਇਹ ਨਿਰਧਾਰਤ ਕਰਦੀਆਂ ਹਨ ਕਿ ਰਨ 'ਤੇ ਬਾਅਦ ਵਿੱਚ ਭਰੋਸਾ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਜਾਂ ਨਹੀਂ। ਇੱਕ ਅਲੱਗ ਰੱਖਿਆ ਗਿਆ ਸੈੱਟ — ਉਹ ਆਈਟਮ ਜਿਨ੍ਹਾਂ 'ਤੇ ਮਾਡਲ ਕਦੇ ਟ੍ਰੇਨ ਨਹੀਂ ਹੁੰਦਾ — ਮੁਰੰਮਤ ਦੌਰਾਨ ਅਣਪੜ੍ਹੇ ਰਹਿਣੇ ਚਾਹੀਦੇ ਹਨ। ਅਤੇ ਹਰ ਬੈਚ ਨਾਲ ਇਹ ਲਿਖਿਆ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਕਿਸਨੇ ਅਤੇ ਕਦੋਂ ਨਿਸ਼ਾਨ ਲਗਾਏ।
Read the primary or official source: Bai et al., Training a Helpful and Harmless Assistant with RLHF (arXiv)