संवादस्य पुनरावलोकनं कुरुत, न केवलं एका प्रतिक्रिया

What this lesson is about

यः प्रत्युत्तरं तस्य मूल्याङ्कनं कुरु यत् संवादे पूर्वमेव निश्चितम्। उपयोगकर्तुः सीमाः, तेषां संशोधनानि, च तेषां चयनितभाषा च।

प्रथमपरिवर्तने ग्राहकः हिन्दीं याचितवान्। चतुर्थपरिवर्तनं प्रविणा आङ्ग्लभाषया यथार्थतथ्यान्वितं अस्ति। कथं चतुर्थपरिवर्तनस्य मूल्याङ्कनं करिष्यसि?

Why this matters

एकैकस्य प्रत्युत्तरस्य पुनरावलोकनं तानि संवादान् यानि त्रयाणि संवादपदानि पूर्वमेव याचितानि तानि मौनतया त्यजति, तानि अनुमोदति।

प्रत्येकं प्रत्युत्तरं तेषां सीमाः, संशोधनानि, तथ च संवादे पूर्वमेव निश्चितानि तथ्येभ्यः अन्विष्य मूल्याङ्कनं कुरुत।

एकदा प्रदत्तः निर्देशः यावत् उपयोगकर्तुः न परिवर्तयति तावत् स्थिरः।
प्रत्येकं प्रत्युत्तरं तस्य स्वस्य न, पूर्वस्मिन्संवादपदेभ्यः सह परीक्ष्यताम्।
यत्र संवादः प्रथमं भङ्गः तत्र संवादपदं चिन्हीकुरुत, न तु अन्तिमं।

Task

छात्रवृत्तिपत्रस्य चत्वारि संवादपरिवर्ताः। प्रथमपरिवर्ते उपयोगकर्त्रेण हिन्दीभाषा याचिता। तृतीयपरिवर्ते सा अन्तिमदिनाङ्कं संशोधयति, सहायः च तं स्वीकरोति।

Weak approach चतुर्थपरिवर्तं उद्घाटयति, तस्य तथ्यं सूचनया परीक्ष्य यथार्थं ज्ञायते, तत् अनुमोद्य पारितः। प्रथमपरिवर्तः त्रिस्क्रीनानि उपरि अस्ति, पुनः न पुनरागच्छ्यते।

Stronger approach प्रथमात् चतुर्थपर्यन्तं क्रमशः पठति, प्रत्येकपरिवर्ते यत् अग्रे वहनीयं तद् लिखति। चतुर्थपरिवर्तः संशोधितदिनाङ्कं पुनरुक्त्वा यथार्थं दर्शयति, उत्तरं च आङ्ग्लभाषायाम् ददाति, यत् प्रथमपरिवर्ते निषिद्धम् आसीत्। चतुर्थपरिवर्तं विरामस्थानं निर्दिशति, प्रथमपरिवर्तस्य पङ्क्तिं उद्धरति।

Why the stronger approach works चतुर्थपरिवर्ते तथ्ये द्वयोः समीक्षयोः यथार्थता आसीत्। त्यक्तः निर्देशः त्रिस्क्रीनानि उपरि आसीत्, केवलं यः समीक्षकः प्रथमपरिवर्ततः आरभ्य पठितवान् स एव तं दृष्टवान्।

Try a changed situation इदानीं त्वं संवादं न पश्यसि, AI सहायकस्य उपकरणपदानि पुनरावलोकयसि। कः नियमः अपि लागू भवति?

Make something yourself AI सहायकस्य सह चत्वारि संवादपदानि गृह्यताम्। प्रत्येकस्य संवादपदस्य कृते तदनन्तरं वहनीयम् एकम् वस्तु लिखतु यत् पूर्वस्मात् संवादपदात् आगतम्। ततः कथयतु यत् तत् वहनीयम् कृतम् वा न।

Read the primary or official source: Anthropic HH-RLHF