ఇతరులు అంచనా వేయడానికి ఉపయోగించే సమాధానం రాయండి

What this lesson is about

ఎవరైనా ఇతరుల సమాధానంపై నిర్ణయం కాకుండా, సూచన సమాధానాన్ని స్వయంగా రాయండి: అడిగిన విషయం పరిష్కరించేది, దాని దశలను చూపేది, మరియు తప్పు ఉన్నప్పుడు నిరాకరించేది.

కట్ చేసిన బట్ట తిరిగి ఇవ్వగలదా అని అడిగిన దుకాణదారుడి కోసం గోల్డ్ సమాధానం రాస్తున్నారు. మీరు మొదట ఏమి రాస్తారు?

Why this matters

చాలా ప్రాజెక్టులు ఇతరుల సమాధానాలపై అంచనా వేయకుండా, స్వయంగా గోల్డ్ సమాధానాన్ని కొనుగోలు చేస్తాయి. మానవ స్పందనతో శిక్షణ పొందిన మోడల్స్ పై ప్రచురిత పనుల్లో, ముందుగా కావలసిన సమాధానం రాయబడింది. అంచనా దశ తరువాత వచ్చింది. సున్నితమైన సూచన సమాధానం దాని మీద ఆధారపడి ఉన్న ప్రతి అంచనాను సున్నితంగా చేస్తుంది.

ప్రతి తర్వాతి అంచనాకు ప్రమాణంగా ఉండే సూచన సమాధానాన్ని రాయండి.

గోల్డ్ సమాధానం అడిగిన కేసును పరిష్కరిస్తుంది, మీరు కోరుకున్నదాన్ని కాదు.
అంచనా వేయేవారు తనిఖీ చేయాల్సిన ప్రతి దశను చూపండి, మీ మనసులో చేసిన లెక్కలతో సహా.
నిజమైన సమాధానం ‘కాదు’ అయితే, గోల్డ్ సమాధానం ‘కాదు’ అని చెప్పి, ఎందుకు అనేదాన్ని కూడా తెలియజేస్తుంది.

Task

బట్టల హోల్‌సేల్ వ్యాపారి కస్టమర్ తిరిగి ఇవ్వడంపై రాస్తున్నాడు. అతను 2 సెప్టెంబర్ న 40 మీటర్లు కొనుగోలు చేశాడు, అందులో ఆరు మీటర్లు అతని కొలతకు కట్ చేయబడ్డాయి. ఇప్పుడు అతను 8 మీటర్లను తిరిగి ఇవ్వాలనుకుంటున్నాడు.

Weak approach ఉపయోగించని వస్తువులు పందొమ్మిది రోజుల్లో తిరిగి వస్తాయని, బిల్ తీసుకురావాలని చెప్పే సమాధానం. దుకాణం తన కస్టమర్లను ఎంతగా గౌరవిస్తుందో ఒక పంక్తి జోడిస్తుంది. కట్ చేసిన బట్ట గురించి ఎక్కడా చెప్పదు.

Stronger approach పందొమ్మిది రోజులు 2 సెప్టెంబర్ నుండి లెక్కించబడతాయని, 17 సెప్టెంబర్ చివరి రోజు అని చెప్పుతుంది. ఆరు మీటర్లు కట్ చేయబడ్డవి తిరిగి తీసుకోబడవని, ఎందుకు అనేదాన్ని వివరిస్తుంది. తరువాత మిగిలిన మార్గాన్ని ఇస్తుంది: కట్ చేయని మీటర్లు అదే బిల్ తో మార్పిడి చేయవచ్చు. చివరగా కస్టమర్ తీసుకురావలసిన దానిని సూచిస్తుంది.

Why the stronger approach works రెండు సమాధానాలు మర్యాదపూర్వకంగా ఉన్నాయి మరియు ఎటువంటి తప్పు చెప్పవు. ఈ కస్టమర్ కేసును ఒకటే నిర్ణయిస్తుంది, అంచనా వేయేవారు నిర్ణయించిన పంక్తిని చూపవచ్చు.

Try a changed situation మీరు ఇప్పుడు రాస్తున్న గోల్డ్ సమాధానం 8వ తరగతి గణితం డిస్కౌంట్ ప్రశ్న. దానిలో ఏమి ఉండాలి?

Make something yourself మీకు తెలిసిన వ్యాపారంలో కస్టమర్లు నిజంగా అడిగే ప్రశ్న తీసుకోండి. దానికి గోల్డ్ సమాధానం రాయండి. తరువాత అంచనా వేయేవారు ఎక్కడ మార్కులు తీసుకోవాలో మూడు పంక్తులు రాయండి.

Read the primary or official source: Ouyang et al., Training language models to follow instructions (arXiv)