द्वयोः प्रतिमानप्रतिक्रिययोः तुलनां कुरु

What this lesson is about

मूल्यनिर्णयेन उत्तमं उत्तरं चिन्व। न दीर्घता, न विश्वासः, न लेखनशैलीनिमित्तं चयनं कुरु।

तव पर्दे उपर एकस्मिन प्रश्ने द्वे प्रत्युत्तराणि उद्घाटितानि, एकं दीर्घं च सुसज्जितं। कथं निर्णयं करिष्यसि?

Why this matters

रुचिदत्तांशः प्रतिमानान् शिक्षयति यत् कतम् उत्तरं उपयोक्तृभ्यः श्रेष्ठं। विश्वासः, शोभा, दीर्घता च सुरक्षिताः मार्गाः न सन्ति। त्वं मूल्यनिर्णयेन न्याय्यं कुरु — यः सूचीपत्रः कथं उत्तमं उत्तरं आवश्यकम् इति निर्दिशति। एकं मानदण्डं एकस्मात् समयात् गृह्णीहि।

मूल्यनिर्णयेन द्वयोः उत्तरयोः मध्ये उत्तमं चयनं कुरु, निर्णायकं भेदं नामानि च दत्तुम्।

द्वयोः उत्तरयोः सममानि मानदण्डानि प्रति परीक्ष्यताम्।
परिणामं परिवर्तयन्तं प्रथमं भेदं अन्विष्य, न सर्वाणि लघूनि।
यदा प्रमाणं समं तदा समतां वा, न चेत् निर्णयं न शक्यते इति चयनं कुरु।

Task

संक्षेपेण त्वं चत्वारि मापदण्डानि युक्तं नियमं प्राप्नोषि यथाक्रमं सुरक्षितम्, सम्यक्, निर्देशानुगतं, लघु। छात्रः छात्रवृत्तिपत्रस्य अन्तिमं दिनाङ्कं पृच्छति।

Weak approach उभयोरुत्तरयोः पठित्वा प्रथमं गृह्णाति, यः स्नेहमयः, दीर्घः च, चञ्चलछात्राय लिखितः। तस्य दिनाङ्कः न कदापि परीक्षितः, केवलं 'सितम्बरस्य अन्ते' इति वदति।

Stronger approach नियमं पङ्क्त्या पङ्क्तिं पूरयति। सुरक्षिते उभयोः उत्तरयोः उत्तीर्णता अस्ति—कश्चन छात्रं हानिकारकं न वदति। सम्यक् इति प्रथमं उत्तरं दिनाङ्कं न ददाति, केवलं 'सितम्बरस्य अन्ते' इति वदति। द्वितीयं ३० सितम्बर् २०२६ दिनाङ्कं दत्तवान् तथा सूचनापत्रस्य नाम अपि निर्दिष्टवान्। निर्णयः तत्रैव जातः, शैलीविषये पङ्क्तिं पठितुमपि पूर्वम्।

Why the stronger approach works एकः समीक्षकः लेखनं तुलयत्, अन्यः नियमं यथाक्रमं पूरयत्। उभे उत्तरौ सुरक्षिते उत्तीर्णौ। यः प्रथमः भेदः तयोः अभवत् सः दिनाङ्कस्य अभावः आसीत्, यत् सूचयितुं शक्यते।

Try a changed situation द्वयोः दुकानेषु तस्यै मरम्मते समानयोः उद्धरणयोः मध्ये त्वं चयनं करोति, न द्वयोः प्रतिमानप्रत्युत्तरयोः। किम् निर्णयं करोति?

Make something yourself द्विवाक्येन समीक्षकस्य कारणं लिख। प्रथमं उत्तमं उत्तरं नामानि, ततः निर्णायकं एकं मानदण्डं नामानि।

Read the primary or official source: Hugging Face Alignment Course