ఒక జవాబు కాదు, సంభాషణను సమీక్షించండి

What this lesson is about

సంభాషణలో ఇప్పటికే నిర్ణయించుకున్నదానికి వ్యతిరేకంగా ఒక జవాబును తీర్పు ఇవ్వండి. వినియోగదారుడి పరిమితులు, వారి సవరణలు, మరియు వారు ఎంచుకున్న భాష.

మొదటి టర్న్‌లో కస్టమర్ హిందీ కోరారు. నాలుగవ టర్న్ సరిగ్గా నిజమైన విషయాలతో ఫ్లూయెంట్ ఇంగ్లీష్‌లో ఉంది. నాలుగవ టర్న్‌ను మీరు ఎలా స్కోర్ చేస్తారు?

Why this matters

ఒకే జవాబు సమీక్ష సంభాషణలను ఆమోదిస్తుంది, అవి వినియోగదారు మూడు మలుపులు క్రితం అడిగినదాన్ని మౌనంగా వదిలేస్తాయి.

ప్రతి జవాబును సంభాషణలో ఇప్పటికే నిర్ణయించుకున్న పరిమితులు, సవరణలు మరియు వాస్తవాల ప్రకారం తీర్పు ఇవ్వండి.

ఒక నిర్దిష్ట సూచన వినియోగదారు మార్చేవరకు నిలుస్తుంది.
ప్రతి జవాబును దాని స్వంతంగా కాకుండా పూర్వపు మలుపులతో పోల్చి చూడండి.
సంభాషణ మొదట ఎక్కడ ఉల్లంఘించిందో ఆ మలుపును గుర్తించండి, చివరి మలుపును కాదు.

Task

ఒక స్కాలర్‌షిప్ ఫారం గురించి నాలుగు టర్నుల చాట్. మొదటి టర్న్‌లో యూజర్ హిందీ కోరింది. మూడవ టర్న్‌లో ఆమె చివరి తేదీ సరిచేసింది, అసిస్టెంట్ ఆమోదించింది.

Weak approach నాలుగవ టర్న్ తెరిచి, దాని వాస్తవాలను నోటీసుతో సరిపోల్చి, సరి అని గుర్తించి, ఆమోదిస్తుంది. మొదటి టర్న్ మూడు స్క్రీన్లు పైకి ఉంది, దానికి తిరిగి వెళ్లరు.

Stronger approach మొదటి నుండి నాలుగవ టర్న్ వరకూ క్రమంగా చదివి, ప్రతి టర్న్ తీసుకెళ్లాల్సిన విషయాన్ని వ్రాస్తుంది. నాలుగవ టర్న్ సరిచేసిన తేదీని మళ్లీ చెప్పింది, అది సరైనది, మరియు జవాబు ఇంగ్లీష్‌లో ఇచ్చింది, మొదటి టర్న్ నిషేధించినది. నాలుగవ టర్న్‌ను విరామంగా గుర్తించి, మొదటి టర్న్ నుండి ఆ లైన్‌ను ఉటంకిస్తుంది.

Why the stronger approach works రెండు సమీక్షలలోనూ నాలుగవ టర్న్ వాస్తవాలు సరైనవి. అది వదిలిన సూచన మూడు స్క్రీన్లు పైకి ఉండేది, అది మొదటి టర్న్ నుండి చదివిన సమీక్షకుడే గమనించాడు.

Try a changed situation ఇప్పుడు మీరు చాట్ కాకుండా అసిస్టెంట్ టూల్ దశలను సమీక్షిస్తున్నారు. ఏ నియమం ఇంకా వర్తిస్తుంది?

Make something yourself మీరు అసిస్టెంట్‌తో చేసిన నాలుగు మలుపుల చాట్ తీసుకోండి. ప్రతి మలుపుకు, అది పూర్వపు మలుపు నుండి తీసుకోవలసిన ఒక విషయం రాయండి. ఆ తర్వాత అది తీసుకున్నదా లేదో చెప్పండి.

Read the primary or official source: Anthropic HH-RLHF