అది నేర్చుకునే ఉదాహరణలను నిర్మించండి

What this lesson is about

ఇరవై వేల నిర్లక్ష్యమైన ఉదాహరణల కంటే రెండు వందల జాగ్రత్తగా తయారుచేసిన ఉదాహరణలు మెరుగైనవి. ఆ జాగ్రత్తగా తయారుచేసినవే మీరు స్వయంగా రాయండి.

చిన్న మోడల్ హిందీలో షాప్ ప్రశ్నలకు సమాధానం చెప్పాలి, మీకు ఒక వారం సమయం ఉంది. మీరు ఆ వారం ఎలా గడిప్తారు?

Why this matters

మోడల్ ఉదాహరణలు చూపించే దాన్ని ప్రతిలిపి చేస్తుంది, స్వరం మరియు తప్పులు కూడా. చదవని ఉదాహరణలు వాటిలో ఉన్నదే నేర్పిస్తాయి. రెండు వందల ఉదాహరణలు మీరు స్వయంగా రాయడం నెమ్మదిగా ఉంటుంది, కానీ ఫలితాన్ని నిర్ణయించే ఒక్క భాగం ఇది.

మీరు చదివిన కొన్ని బోధన ఉదాహరణలను నిర్మించండి, వాటిలో కొన్ని పరీక్ష కోసం వేరు ఉంచండి.

జాగ్రత్తగా తయారుచేసిన రెండు వందల ఉదాహరణలు నిర్లక్ష్యంగా సేకరించిన ఇరవై వేల కంటే మెరుగైనవి.
ప్రతి ఉదాహరణ మీరు కోరుకున్న ప్రవర్తనను చూపిస్తుంది, నిరాకరణలు కూడా.
ప్రారంభం నుండే కొన్ని ఉదాహరణలను వేరు ఉంచండి, తద్వారా తర్వాత నిజాయితీ పరీక్ష ఉంటుంది.

Task

హిందీలో షాప్ ప్రశ్నలకు సమాధానం చెప్పే చిన్న మోడల్ కోసం బోధన ఉదాహరణలను నిర్మించండి.

Weak approach వెబ్ నుండి సేకరించిన ఇరవై వేల జంటలను డౌన్లోడ్ చేసి మొదటి ఇరవై జంటలను తెరిచి చూస్తుంది. మొత్తం ఫైల్ శిక్షణ స్క్రిప్ట్‌కు పంపబడుతుంది, మిగతా భాగం ఎప్పుడూ చదవబడదు.

Stronger approach రెండు వందల జంటలను చేతితో రాస్తుంది, వాటిలో పది సరైన సమాధానం నిరాకరణ. నలభైని వేరు ఉంచి చూపించదు.

Why the stronger approach works బలహీన జాబితా స్క్రాప్ చేసినదే నేర్పిస్తుంది. బలమైనది కోరుకున్న ప్రవర్తన నేర్పిస్తుంది మరియు నిజాయితీ పరీక్షను వేరు ఉంచుతుంది.

Try a changed situation మీ ట్యూన్ చేసిన మోడల్ నిరాకరించాల్సిన ప్రశ్నకు సమాధానం ఇచ్చింది. మీ ఉదాహరణల్లో నిరాకరణలు లేవు. మీరు ఏమి జోడిస్తారు?

Make something yourself ఒక పనికి యాభై బోధన ఉదాహరణలు రాయండి, అదనంగా పది వేరు ఉంచి ఎప్పుడూ చూపించకండి. మీరు అనుసరించిన నియమాన్ని ఒకటి లేదా రెండు పంక్తుల్లో పైకి రాయండి.

Read the primary or official source: Hugging Face TRL · dataset formats