- Learn
- See
- Try
- Make
यत्र तव चिह्नानि गच्छन्ति
What this lesson is about
तव स्क्रीनात् एकं मूल्याङ्कन-बैचं प्रशिक्षण-प्रवृत्तौ अनुगच्छ, च मार्गे यानि परीक्षणानि तानि ज्ञातुम्।
त्वं शुक्रवासरे द्विशतं पङ्क्तीनि समाप्तवान्, च प्रेषयति। तव भ्राता पृच्छति किम् तस्मिन् सायं मॉडलः परिवर्तते।
Why this matters
प्रकाशितः सहायक-प्रवृत्तिः स्पष्टतया चक्रं वर्णयति। बैचानि समाहृतानि, किञ्चित् पृथक् रक्षितम्, मॉडलः अभ्यसितः, नूतनानि बैचानि परिवर्तिते मॉडलि आगताः। द्वे वस्तु द्वितीयकाले विश्वासार्हतां निर्णेतुं आवश्यके। पृथक् रक्षितं सङ्ग्रहं — यत् मॉडलः कदापि न अभ्यसितवान् — मरम्मत्सु न पठितव्यं। च प्रत्येकं बैचं कः तं अंकितवान् च कदा इति वहति।
Read the primary or official source: Bai et al., Training a Helpful and Harmless Assistant with RLHF (arXiv)