पसन्दात् प्रशिक्षणसंकेतं प्रति

What this lesson is about

द्वयोः उत्तरयोः मध्ये विकल्पः किम् ग्रहीतुम् शक्नोति तद् पश्य। नियमाः वा समीक्षकाः यदि भिन्नमतिम् ददतः तर्हि किम् न दृश्यते तदपि पश्य।

तव पत्रके एकः उत्तरः सोमवासरस्य समूहात् अस्ति, अपरः च पूर्णतया भिन्नप्रश्नात्। किं त्वं सम्यक् करिष्यसि?

Why this matters

पसन्दः तदा एव उपयोगी यदा तस्य पृष्ठतः कार्यं नियमश्च स्पष्टं स्याताम्। समीक्षकस्य ज्ञातव्यं च मतभेदस्य समाधानं च आवश्यकम्। नियमस्य प्रत्येकं पङ्क्तिः मापदण्डः अस्ति — एकः नामितः गुणः यया मूल्याङ्कनं क्रियते।

द्वयोः उत्तरयोः मध्ये विकल्पः किम् ग्रहीतुम् शक्नोति, मतभेदः कुत्र च निर्णीयते इति व्याख्यास्य।

तमेव प्रश्ने द्वे उत्तरयोः योजयतु येषां तुलना शक्या।
केवलं क वा ख न, निर्णायकं मानदण्डं च लिख।
युक्तकारणयुक्तं भिन्नमतिं कार्यस्य दुरुस्तिकरणस्य प्रमाणरूपेण गृह्णीयताम्।

Task

द्वौ समीक्षकौ तौ समानस्य धनवापस्सन्देहस्य द्वौ प्रत्युत्तरौ तुलयतः। मापदण्डे यथार्थता च स्वरः नामानि सन्ति, न च दीर्घतायाः विषये किञ्चन।

Weak approach उभयत्र प्रत्युत्तरं द्विवारं पठित्वा द्वितीयं चयनं करोति, यतः तस्य स्वरः सौम्यतरः इति। पुटिकायां B लिखित्वा अग्रे गच्छति। यः मापदण्डरेखा निर्णयं कृतवान् सः पत्रे नास्ति। आगामि सप्ताहः कश्चन न वदेत् कः विजयी अभवत्, स्वरः वा यथार्थता।

Stronger approach अपि च द्वितीयं चयनं करोति, च तस्य विजयं यः पङ्क्तिः तत्र लिखति: प्रथमं प्रत्युत्तरं चतुर्दशदिनपरिमितिं त्यजति। ततः सूचयति यत् मापदण्डः न कथयति किमर्थं लघु यथार्थं प्रत्युत्तरं दीर्घं यथार्थं प्रत्युत्तरं जयति वा न।

Why the stronger approach works उभयौ समीक्षकौ तमेव प्रत्युत्तरं अभिरुच्य, केवलं एकः कारणं अपश्यत्। अस्य युग्मात् यत् निर्मीयते तत् आगामः पाठः अस्ति: अंकदातुः तया लिखितया पङ्क्त्या शिक्षते। केवलं B लिखित्वा किञ्चन न लभते।

Try a changed situation द्वौ स्वास्थ्यकर्मणः द्वयोः पत्रिकयोः कः स्पष्टतरः इति मतभेदं कुर्वन्ति, च पञ्च निमेषेषु सभा समाप्ता। पत्रके किं लिख्यते?

Make something yourself पसन्द्-दत्तांशस्य चत्वारि चरणानि चित्रय। तत्र एकं स्थानं नामानि यत्र पक्षपातः वा अस्पष्टता प्रवेशं कुर्वन्ति।

Read the primary or official source: Hugging Face Alignment Course