ಮಾಡೆಲ್ ಸ್ಪೆಕ್‌ಗೆ ನಮ್ಮ ದೃಷ್ಟಿಕೋನದ ಒಳನೋಟ

OpenAI ಯಲ್ಲಿ, AI ನ್ಯಾಯಸಮ್ಮತವಾಗಿರಬೇಕು, ಸುರಕ್ಷಿತವಾಗಿರಬೇಕು ಮತ್ತು ಮುಕ್ತವಾಗಿ ಲಭ್ಯವಾಗಿರಬೇಕು ಎಂದು ನಾವು ನಂಬುತ್ತೇವೆ, ಇದರಿಂದ ಹೆಚ್ಚಿನ ಜನರು ಅದನ್ನು ಕಠಿಣ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು, ಅವಕಾಶಗಳನ್ನು ಸೃಷ್ಟಿಸಲು ಮತ್ತು ಆರೋಗ್ಯ, ವಿಜ್ಞಾನ, ಶಿಕ್ಷಣ, ಕೆಲಸ ಮತ್ತು ದೈನಂದಿನ ಜೀವನದಂತಹ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಪ್ರಯೋಜನ ಪಡೆಯಲು ಬಳಸಬಹುದು. ನಾವು AI ಗೆ ಪ್ರಜಾಸತ್ತಾತ್ಮಕ ಪ್ರವೇಶವೇ ಮುಂದೆ ಸಾಗಲು ಅತ್ಯುತ್ತಮ ಮಾರ್ಗ ಎಂದು ನಂಬುತ್ತೇವೆ: ಅದರ ಪ್ರಯೋಜನಗಳು ಅಥವಾ ನಿಯಂತ್ರಣವು ಕೆಲವರ ಕೈಗಳಲ್ಲಿ ಕೇಂದ್ರೀಕೃತವಾಗಿರುವ AI ಅಲ್ಲ, ಬದಲಾಗಿ ಹೆಚ್ಚು ಜನರು ಪ್ರವೇಶಿಸಬಹುದು, ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬಹುದು ಮತ್ತು ಅದರ ರೂಪುಗೊಳಿಸುವಿಕೆಗೆ ಸಹಾಯ ಮಾಡಬಹುದು ಎಂಬ AI.

OpenAI ಮಾಡೆಲ್ ಸ್ಪೆಕ್ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವುದಕ್ಕೆ ಅದು ಒಂದು ಪ್ರಮುಖ ಕಾರಣವಾಗಿದೆ. ಮಾಡೆಲ್ ಸ್ಪೆಕ್⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಮಾಡೆಲ್ ವರ್ತನೆಗಾಗಿ ನಮ್ಮ ಅಧಿಕೃತ ಚೌಕಟ್ಟು ಆಗಿದೆ. ಇದು, ಬಳಕೆದಾರರು ಪ್ರತಿದಿನ ಕೇಳುವ ವ್ಯಾಪಕವಾದ ಪ್ರಶ್ನೆಗಳ ವ್ಯಾಪ್ತಿಯಲ್ಲಿ, ಮಾಡೆಲ್‌ಗಳು ಸೂಚನೆಗಳನ್ನು ಅನುಸರಿಸುವುದು, ಸಂಘರ್ಷಗಳನ್ನು ಪರಿಹರಿಸುವುದು, ಬಳಕೆದಾರರ ಸ್ವಾತಂತ್ರ್ಯವನ್ನು ಗೌರವಿಸುವುದು ಮತ್ತು ಸುರಕ್ಷಿತವಾಗಿ ವರ್ತಿಸುವುದು ಹೇಗೆ ಎಂಬುದನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುತ್ತದೆ. ಹೆಚ್ಚು ವ್ಯಾಪಕವಾಗಿ ಹೇಳುವುದಾದರೆ, ಇದು ನಮ್ಮ ಉದ್ದೇಶಿತ ಮಾಡೆಲ್ ನಡವಳಿಕೆಯನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ವ್ಯಕ್ತಪಡಿಸುವ ನಮ್ಮ ಪ್ರಯತ್ನವಾಗಿದೆ: ಕೇವಲ ನಮ್ಮ ತರಬೇತಿ ಪ್ರಕ್ರಿಯೆಯೊಳಗೆ ಮಾತ್ರವಲ್ಲ, ಬಳಕೆದಾರರು, ಡೆವಲಪರ್‌ಗಳು, ಸಂಶೋಧಕರು, ನೀತಿನಿರ್ಧಾರಕರು ಮತ್ತು ವ್ಯಾಪಕ ಸಾರ್ವಜನಿಕರು ಓದಲು, ಪರಿಶೀಲಿಸಲು ಮತ್ತು ಚರ್ಚಿಸಲು ಸಾಧ್ಯವಾಗುವ ರೂಪದಲ್ಲಿಯೂ ಸಹ.

ಮಾಡೆಲ್ ಸ್ಪೆಕ್ ನಮ್ಮ ಮಾಡೆಲ್‌ಗಳು ಈಗಾಗಲೇ ಇಂದು ಈ ರೀತಿಯಲ್ಲಿ ಸಂಪೂರ್ಣವಾಗಿ ವರ್ತಿಸುತ್ತವೆ ಎಂಬುದನ್ನು ಹೇಳುವುದಿಲ್ಲ. ಅನೇಕ ರೀತಿಗಳಲ್ಲಿ, ಇದು ವಿವರಣಾತ್ಮಕವಾಗಿದೆ, ಆದರೆ ನಾವು ಮಾಡೆಲ್‌ನ ವರ್ತನೆ ಯಾವ ದಿಕ್ಕಿನಲ್ಲಿ ಹೋಗಬೇಕೆಂದು ಬಯಸುತ್ತೇವೆಯೋ ಅದರ ಗುರಿಯೂ ಆಗಿದೆ. ನಾವು ಉದ್ದೇಶಿತ ನಡವಳಿಕೆಯನ್ನು ಹೆಚ್ಚು ಸ್ಪಷ್ಟವಾಗಿಸಲು ಇದನ್ನು ಬಳಸುತ್ತೇವೆ, ಇದರಿಂದ ನಾವು ಅದರತ್ತ ತರಬೇತಿ ನೀಡಲು, ಅದರ ವಿರುದ್ಧ ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಮತ್ತು ಕಾಲಕ್ರಮೇಣ ಅದನ್ನು ಸುಧಾರಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ. 

ಈ ಪೋಸ್ಟ್ ಮಾಡೆಲ್ ಸ್ಪೆಕ್‌ನಲ್ಲೇ ಇಲ್ಲದ ಹಿನ್ನೆಲೆಯನ್ನು ಹಂಚಿಕೊಳ್ಳುತ್ತದೆ; ಅದರಲ್ಲಿ ಅದರ ಹಿಂದಿರುವ ತತ್ವಶಾಸ್ತ್ರ ಮತ್ತು ಕಾರ್ಯವಿಧಾನವೂ ಸೇರಿವೆ: ಅದು ಹೇಗೆ ರಚಿಸಲಾಗಿದೆ, ನಾವು ಆ ರಚನಾತ್ಮಕ ಆಯ್ಕೆಗಳನ್ನು ಏಕೆ ಮಾಡಿದ್ದೇವೆ ಮತ್ತು ಕಾಲಕ್ರಮೇಣ ಅದನ್ನು ಹೇಗೆ ಬರೆಯುತ್ತೇವೆ, ಜಾರಿಗೆ ತರುತ್ತೇವೆ ಮತ್ತು ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತೇವೆ ಎಂಬುದು.

ಮಾಡೆಲ್ ಸ್ಪೆಕ್ OpenAI ಯ ಸುರಕ್ಷಿತ ಮತ್ತು ಹೊಣೆಗಾರಿಕೆಯ AI ಗೆ ಸಂಬಂಧಿಸಿದ ವ್ಯಾಪಕ ದೃಷ್ಟಿಕೋನದ ಒಂದು ಭಾಗವಾಗಿದೆ. ಪ್ರಿಪೇರ್ಡ್‌ನೆಸ್ ಫ್ರೇಮ್‌ವರ್ಕ್⁠ ಅತ್ಯಾಧುನಿಕ ಸಾಮರ್ಥ್ಯಗಳಿಂದ ಉಂಟಾಗುವ ಅಪಾಯಗಳು ಮತ್ತು ಆ ಅಪಾಯಗಳು ಹೆಚ್ಚಾದಂತೆ ಅಗತ್ಯವಾಗುವ ಸುರಕ್ಷತಾ ಕ್ರಮಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಿದರೆ, ಮಾಡೆಲ್ ಸ್ಪೆಕ್ ಬೇರೆ ಆದರೆ ಪರಸ್ಪರ ಪೂರಕವಾದ ಒಂದು ಪ್ರಶ್ನೆಯನ್ನು ಪರಿಹರಿಸುತ್ತದೆ: ವಿವಿಧ ರೀತಿಯ ಸಂದರ್ಭಗಳಲ್ಲಿ ನಮ್ಮ ಮಾಡೆಲ್‌ಗಳು ಹೇಗೆ ವರ್ತಿಸಬೇಕು ಎಂಬುದನ್ನು. ಇನ್ನಷ್ಟು ವಿಶಾಲ ದೃಷ್ಟಿಯಿಂದ ನೋಡಿದರೆ, AI ಸ್ಥಿತಿಸ್ಥಾಪಕತ್ವದ ಉದ್ದೇಶವು ಹೆಚ್ಚು ಹೆಚ್ಚು ಸಾಮರ್ಥ್ಯವುಳ್ಳ ವ್ಯವಸ್ಥೆಗಳು ನಿಯೋಜಿಸಲ್ಪಡುತ್ತಿದ್ದಂತೆ, ಸಮಾಜವು ಉನ್ನತ AI ಯ ಪ್ರಯೋಜನಗಳನ್ನು ಪಡೆದುಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುವುದರ ಜೊತೆಗೆ ಅಡಚಣೆಗಳು ಮತ್ತು ಹೊರಹೊಮ್ಮುತ್ತಿರುವ ಅಪಾಯಗಳನ್ನು ಕಡಿಮೆ ಮಾಡುವ ವಿಶಾಲವಾದ ಸಾಮಾಜಿಕ ಸವಾಲನ್ನು ಎದುರಿಸುವುದಾಗಿದೆ. ಒಟ್ಟಾರೆಯಾಗಿ, ಈ ಉಪಕ್ರಮಗಳು AGI ಗೆ ಸಾಗುವ ಪರಿವರ್ತನೆಯನ್ನು ಕ್ರಮೇಣ, ಪುನರಾವರ್ತಿತವಾಗಿ ಮತ್ತು ಪ್ರಜಾಸತ್ತಾತ್ಮಕವಾಗಿ ಅರ್ಥವಾಗುವಂತೆ ಮಾಡಲು ಸಹಾಯ ಮಾಡುವುದನ್ನು ಉದ್ದೇಶಿಸಿವೆ: ಜನರು ಮತ್ತು ಸಂಸ್ಥೆಗಳು ಹೊಂದಿಕೊಳ್ಳಲು ಸಮಯ ನೀಡುವುದರ ಜೊತೆಗೆ, ಶಕ್ತಿಶಾಲಿ AI ಮಾನವ ಹಿತಾಸಕ್ತಿಗಳೊಂದಿಗೆ ಹೊಂದಾಣಿಕೆಯಲ್ಲಿ ಉಳಿಯಲು ಅಗತ್ಯವಾದ ರಕ್ಷಣಾತ್ಮಕ ಕ್ರಮಗಳು, ಹೊಣೆಗಾರಿಕೆ ವ್ಯವಸ್ಥೆಗಳು ಮತ್ತು ಸಾರ್ವಜನಿಕ ಅರಿವನ್ನು ನಿರ್ಮಿಸುತ್ತದೆ.

ಮಾಡೆಲ್ ವರ್ತನೆಯ ಬಗ್ಗೆ ಸಾರ್ವಜನಿಕರಿಗೆ ಇರುವ ಸ್ಪಷ್ಟತೆ ನ್ಯಾಯ ಮತ್ತು ಸುರಕ್ಷತೆ ಎರಡಕ್ಕೂ ಮುಖ್ಯವಾಗಿದೆ. ಇದು ನ್ಯಾಯಕ್ಕೆ ಮುಖ್ಯವಾಗಿದೆ, ಏಕೆಂದರೆ AI ಹೇಗೆ ಮತ್ತು ಏಕೆ ಆ ರೀತಿಯಲ್ಲಿ ವರ್ತಿಸುತ್ತಿದೆ ಎಂಬುದನ್ನು ಜನರು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬೇಕಾಗಿದೆ—ಮತ್ತು ನ್ಯಾಯ ಸಂಬಂಧಿತ ಕಾಳಜಿಗಳು ಉದ್ಭವಿಸಿದಾಗ ಅವುಗಳನ್ನು ಗುರುತಿಸಲು, ಪ್ರಶ್ನಿಸಲು ಮತ್ತು ಪರಿಹರಿಸಲು ಅವರಿಗೆ ಸಾಧ್ಯವಾಗಬೇಕಾಗಿದೆ. ಮತ್ತು ಇದು ಸುರಕ್ಷತೆಗೆ ಮುಖ್ಯವಾಗಿದೆ, ಏಕೆಂದರೆ AI ವ್ಯವಸ್ಥೆಗಳು ಹೆಚ್ಚು ಸಮರ್ಥವಾಗುತ್ತಾ ಹೋದಂತೆ, ಜನರು ಮತ್ತು ಸಂಸ್ಥೆಗಳು ಅವು ಹೇಗೆ ವರ್ತಿಸಬೇಕೆಂದು ಉದ್ದೇಶಿಸಲಾಗಿದೆ, ಅವು ಒಳಗೊಂಡಿರುವ ವಿನಿಮಯಗಳು ಯಾವುವು ಮತ್ತು ಆ ಆಯ್ಕೆಗಳನ್ನು ಕಾಲಕ್ರಮೇಣ ಹೇಗೆ ಸುಧಾರಿಸಬಹುದು ಎಂಬುದರ ಬಗ್ಗೆ ಹೆಚ್ಚು ಸ್ಪಷ್ಟವಾದ ನಿರೀಕ್ಷೆಗಳನ್ನು ಹೊಂದಿರಬೇಕಾಗಿದೆ. ಆ ರೀತಿಯ ಓದುಗತೆಯು ಹೆಚ್ಚಿನ ಜನರಿಗೆ ಪರಿಶೀಲಿಸಲು, ಪ್ರಶ್ನಿಸಲು ಮತ್ತು ಸುಧಾರಿಸಲು ಸ್ಪಷ್ಟವಾದ ಯಾವುದನ್ನಾದರೂ ನೀಡುವ ಮೂಲಕ ಸ್ಥಿತಿಸ್ಥಾಪಕತೆಯನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ.

2024ರಲ್ಲಿ ಮೊದಲ ಆವೃತ್ತಿ ಬಿಡುಗಡೆಯಾದ ಬಳಿಕ, ಬಳಕೆದಾರರ ಆದ್ಯತೆಗಳು ಮತ್ತು ಅಗತ್ಯಗಳ ಬಗ್ಗೆ ನಾವು ಇನ್ನಷ್ಟು ತಿಳಿದುಕೊಳ್ಳುತ್ತಿದ್ದಂತೆ, ಹೆಚ್ಚಿನ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಒಳಗೊಳ್ಳುವಂತೆ ವಿಸ್ತರಿಸಿ ಅವಕ್ಕೆ ಹೊಂದಿಕೊಳ್ಳುತ್ತಿದ್ದಂತೆ, ಹಾಗೂ ಮಾಡೆಲ್‌ನ ವರ್ತನೆ ಮತ್ತು OpenAI ಮಾಡೆಲ್ ಸ್ಪೆಕ್ ಕುರಿತು ಸಾರ್ವಜನಿಕ ಪ್ರತಿಕ್ರಿಯೆಯಿಂದ ನಾವು ಕಲಿಯುತ್ತಿದ್ದಂತೆ, OpenAI ಮಾಡೆಲ್ ಸ್ಪೆಕ್ ಗಣನೀಯವಾಗಿ ವಿಕಸಿಸಿದೆ. ಪುನರಾವರ್ತಿತ ನಿಯೋಜನೆ⁠ಯ ಮನೋಭಾವದಲ್ಲಿ, OpenAI ಮಾಡೆಲ್ ಸ್ಪೆಕ್ ಒಂದು ವಿಕಸಿಸುತ್ತಿರುವ ದಸ್ತಾವೇಜು: ಇದು ಹಿನ್ನೆಲೆ ಮೌಲ್ಯಗಳು ಮತ್ತು ಸ್ಪಷ್ಟವಾಗಿ ಓದಲು/ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಾಧ್ಯವಾದ ನಿಯಮಗಳನ್ನು ಒಳಗೊಂಡಿದೆ—ಮತ್ತೆ, ನೈಜ ಜಗತ್ತಿನ ನಿಯೋಜನೆ ಹಾಗೂ ಪ್ರತಿಕ್ರಿಯೆಯಿಂದ ನಾವು ಕಲಿಯುವಂತೆ ಪ್ರತ್ಯೇಕ ಅಂಶಗಳನ್ನು ತಿದ್ದುಪಡಿ ಮಾಡುವ ಪ್ರಕ್ರಿಯೆಯನ್ನೂ ಹೊಂದಿದೆ. AI ಅನ್ನು ಹೇಗೆ ಬಳಸಲಾಗುತ್ತದೆ ಮತ್ತು AI ಯ ನಡವಳಿಕೆಯನ್ನು ಹೇಗೆ ರೂಪಿಸಲಾಗುತ್ತದೆ ಎಂಬುದರ ಮೇಲೆ ಮಾನವಕುಲ ನಿಯಂತ್ರಣದಲ್ಲೇ ಇರಲು ಸಹಾಯ ಮಾಡಲು, ನಾವು ಸಾಮೂಹಿಕ ಹೊಂದಾಣಿಕೆ⁠ ಯಂತಹ ಸಾರ್ವಜನಿಕ ಪ್ರತಿಕ್ರಿಯೆ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ಕೂಡ ಹೂಡಿಕೆ ಮಾಡುತ್ತಿದ್ದೇವೆ.

ಆಂತರಿಕವಾಗಿ, ಇದು ನಮಗೆ ಉದ್ದೇಶಿತ ನಡವಳಿಕೆಗೆ ಮಾರ್ಗದರ್ಶಕ ದಿಕ್ಕನ್ನೂ ಹಾಗೂ ತರಬೇತಿ, ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ಆಡಳಿತಕ್ಕಾಗಿ ಹಂಚಿಕೊಂಡ ಚೌಕಟ್ಟನ್ನೂ ಒದಗಿಸುತ್ತದೆ. ಬಾಹ್ಯವಾಗಿ, ಇದು ಜನರು ನಮ್ಮ ವಿಧಾನವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು, ಅದನ್ನು ವಿಮರ್ಶಿಸಲು ಮತ್ತು ಕಾಲಕ್ರಮೇಣ ಅದನ್ನು ಸುಧಾರಿಸಲು ಸಹಾಯ ಮಾಡಲು ಬಳಸಬಹುದಾದ ಒಂದು ಸಾರ್ವಜನಿಕ ಸೂಚನಾ ಬಿಂದುವನ್ನು ರಚಿಸುತ್ತದೆ.

ಮಾಡೆಲ್ ಸ್ಪೆಕ್ ಹಲವಾರು ವಿಭಿನ್ನ ವಿಧದ ಮಾಡೆಲ್ ಮಾರ್ಗದರ್ಶನಗಳಿಂದ ನಿರ್ಮಿತವಾಗಿದೆ. ಅದು ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿದೆ. ಮಾಡೆಲ್ ನಡವಳಿಕೆಯ ವಿಭಿನ್ನ ಭಾಗಗಳನ್ನು ವಿಭಿನ್ನ ರೀತಿಯಲ್ಲಿ ನಿರ್ವಹಿಸಬೇಕಾಗುತ್ತದೆ ಮತ್ತು ಉಪಯುಕ್ತ ಸಾರ್ವಜನಿಕ ದಸ್ತಾವೇಜು ಕೇವಲ ನಿಯಮಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡುವುದಕ್ಕಿಂತ ಹೆಚ್ಚಿನದನ್ನು ಮಾಡಬೇಕಾಗಿದೆ.

ಮಾಡೆಲ್ ಸ್ಪೆಕ್ ಉನ್ನತ ಮಟ್ಟದ ಉದ್ದೇಶದಿಂದ ಪ್ರಾರಂಭವಾಗುತ್ತದೆ: ವ್ಯವಸ್ಥೆಯ ಮಟ್ಟದಲ್ಲಿ ನಾವು ಯಾವುದನ್ನು ಆಪ್ಟಿಮೈಸ್ ಮಾಡಲು ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದೇವೆ ಮತ್ತು ಏಕೆ ಎಂಬುದರ ಸ್ಪಷ್ಟ ವಿವರಣೆ.

ಈ ಮುನ್ನುಡಿ ನಮ್ಮ ಧ್ಯೇಯವನ್ನು ಸಾಧಿಸಲು ನಾವು ಹೇಗೆ ಯೋಜಿಸುತ್ತಿದ್ದೇವೆ ಎಂಬುದರ ಕುರಿತು ಮೂರು ಗುರಿಗಳನ್ನು ಸ್ಪಷ್ಟಪಡಿಸುತ್ತದೆ:

• ಡೆವಲಪರ್‌ಗಳು ಮತ್ತು ಬಳಕೆದಾರರನ್ನು ಸಬಲೀಕರಿಸುವ ಮಾಡೆಲ್‌ಗಳನ್ನು ಹಂತ ಹಂತವಾಗಿ ಅನುಷ್ಠಾನಗೊಳಿಸಿ
• ತಡೆಯಿರಿ ನಮ್ಮ ಮಾಡೆಲ್‌ಗಳು ಬಳಕೆದಾರರಿಗೆ ಅಥವಾ ಇತರರಿಗೆ ಗಂಭೀರ ಹಾನಿಯನ್ನು ಉಂಟುಮಾಡುವುದನ್ನು
• ಕಾಪಾಡಿಕೊಳ್ಳಿ OpenAI ನ ಕಾರ್ಯನಿರ್ವಹಣೆಯ ಪರವಾನಗಿ

ನಂತರ, ಪ್ರಯೋಗದಲ್ಲಿ ಈ ಗುರಿಗಳನ್ನು ಸಮತೋಲನಗೊಳಿಸುವ ಬಗ್ಗೆ ನಾವು ಹೇಗೆ ಯೋಚಿಸುತ್ತೇವೆ ಎಂಬುದನ್ನು ಇದು ವಿವರಿಸುತ್ತದೆ, ಇದರಿಂದ ಮುಂದೆ ಬರುವ ಇನ್ನಷ್ಟು ವಿವರವಾದ ತತ್ವಗಳಿಗೆ ಬೆಂಬಲ ನೀಡುವಂತೆ ಈ ವಿನಿಮಯ-ಸಮತೋಲನಗಳನ್ನು ಸಾಕಷ್ಟು ಸ್ಪಷ್ಟಗೊಳಿಸಲಾಗುತ್ತದೆ.

ಮುಖ್ಯವಾಗಿ, ಈ ಪ್ರಸ್ತಾವನೆ ಮಾಡೆಲ್‌ಗೆ ನೇರ ಸೂಚನೆಯಾಗಲು ಉದ್ದೇಶಿತವಾಗಿಲ್ಲ. ಮಾನವಕುಲಕ್ಕೆ ಪ್ರಯೋಜನವಾಗುವುದು OpenAI ಯ ಗುರಿಯೇ ಹೊರತು, ನಮ್ಮ ಮಾಡೆಲ್‌ಗಳು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಹಿಂಬಾಲಿಸಬೇಕಾದ ಗುರಿಯಲ್ಲ. ಬದಲಾಗಿ, ಮಾಡೆಲ್‌ಗಳು ಮಾಡೆಲ್ ಸ್ಪೆಕ್ ಹಾಗೂ OpenAI, ಡೆವಲಪರ್‌ಗಳು ಮತ್ತು ಬಳಕೆದಾರರಿಂದ ಬರುವ ಅನ್ವಯವಾಗುವ ಸೂಚನೆಗಳನ್ನು ಒಳಗೊಂಡ ಆಜ್ಞಾ ಸರಣಿ ಅನ್ನು ಅನುಸರಿಸಬೇಕು ಎಂದು ನಾವು ಬಯಸುತ್ತೇವೆ—ಕೆಲವು ಸಂದರ್ಭಗಳಲ್ಲಿ ಫಲಿತಾಂಶದ ಬಗ್ಗೆ ಕೆಲವರು ಒಪ್ಪದಿದ್ದರೂ ಸಹ.

ಮಾನವ ಸ್ವಾಯತ್ತತೆ ಮತ್ತು ಬೌದ್ಧಿಕ ಸ್ವಾತಂತ್ರ್ಯವನ್ನು ನಾವು ಮೌಲ್ಯೀಕರಿಸುವುದರಿಂದ, ಇದು ಸರಿಯಾದ ಸಮತೋಲನ ಎಂದು ನಾವು ಭಾವಿಸುತ್ತೇವೆ. ಸಮಾಜಕ್ಕೆ ಒಳ್ಳೆಯದೇನು ಎಂಬ ನಮ್ಮದೇ ದೃಷ್ಟಿಕೋನದ ಆಧಾರದ ಮೇಲೆ ಯಾವ ಸೂಚನೆಗಳನ್ನು ಪಾಲಿಸಬೇಕು ಎಂದು ಮಾಡೆಲ್‌ಗಳು ತೀರ್ಮಾನಿಸುವಂತೆ ನಾವು ಅವುಗಳಿಗೆ ತರಬೇತಿ ನೀಡಿದರೆ, OpenAI ಅತ್ಯಂತ ವಿಶಾಲ ಮಟ್ಟದಲ್ಲಿ ನೈತಿಕ ತೀರ್ಪು ನೀಡುವ ಸ್ಥಿತಿಯಲ್ಲಿ ಇರುತ್ತದೆ. ಹಾಗಿದ್ದರೂ, ಪರಿಚಯ ಮುಖ್ಯವಾಗಿದೆ. ಮಾಡೆಲ್ ಸ್ಪೆಕ್ ಅನ್ನು ಹೇಗೆ ಅನ್ವಯಿಸಬೇಕು ಎಂಬುದರಲ್ಲಿ ಅಸ್ಪಷ್ಟತೆ ಇದ್ದಾಗ, ಅದನ್ನು ಪರಿಹರಿಸಲು ಈ ಪ್ರಸ್ತಾವನೆ ಸಹಾಯ ಮಾಡಬೇಕು.

ಮಾಡೆಲ್ ಸ್ಪೆಕ್‌ನಲ್ಲಿ ನೇರವಾಗಿ ಅಳೆಯಬಹುದಾದ ಮಾಡೆಲ್ ನಡವಳಿಕೆಯನ್ನು ಮೀರಿದ, ತರಬೇತಿಯ ಉದ್ದೇಶ ಮತ್ತು ನಿಯೋಜನೆಯ ನಿರ್ಬಂಧಗಳಿಗೆ ಸಂಬಂಧಿಸಿದ ಸಾರ್ವಜನಿಕ ಬದ್ಧತೆಗಳೂ ಸೇರಿವೆ. ಉದಾಹರಣೆಗೆ, ನಮ್ಮ ರೆಡ್-ಲೈನ್ ತತ್ವಗಳು⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಗಳಲ್ಲಿ ChatGPT ಪ್ರಥಮ-ಪಕ್ಷದ ಡಿಪ್ಲಾಯ್ಮೆಂಟ್‌ಗಳಲ್ಲಿ, ವಸ್ತುನಿಷ್ಠತೆ⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಅಥವಾ ಸಂಬಂಧಿತ ತತ್ವಗಳನ್ನು ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ ಹಾಳುಮಾಡಲು ನಾವು ಎಂದಿಗೂ ಸಿಸ್ಟಮ್ ಸಂದೇಶಗಳನ್ನು ಬಳಸುವುದಿಲ್ಲ ಎಂಬ ಬದ್ಧತೆ ಸೇರಿದೆ; ಮತ್ತು ಬೇರೆ ಯಾವುದೇ ಉದ್ದೇಶಗಳಿಲ್ಲ⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಎಂಬುದು ಬಳಕೆದಾರರ ಹಿತಕ್ಕಾಗಿ ಮಾಡೆಲ್ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಉತ್ತಮಗೊಳಿಸುವುದು ನಮ್ಮ ಉದ್ದೇಶವಾಗಿದ್ದು, ಆದಾಯಕ್ಕಾಗಿ ಅಥವಾ ಬಳಕೆದಾರರಿಗೆ ಪ್ರಯೋಜನಕಾರಿಯಲ್ಲದ ಸೈಟ್‌ನಲ್ಲಿ ಕಳೆಯುವ ಸಮಯಕ್ಕಾಗಿ ಅಲ್ಲ ಎಂಬುದರ ಬಗ್ಗೆ ನಮ್ಮ ಉದ್ದೇಶಗಳನ್ನು ಸ್ಪಷ್ಟಪಡಿಸುತ್ತದೆ.

ಮಾಡೆಲ್ ಸ್ಪೆಕ್‌ನ ಕೇಂದ್ರದಲ್ಲಿ ಆಜ್ಞಾ ಸರಪಳಿ ಇದೆ: ನಿರ್ದಿಷ್ಟ ಪರಿಸ್ಥಿತಿಯಲ್ಲಿ ಯಾವ ಸೂಚನೆಗಳು ಅನ್ವಯಿಸಬೇಕು ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುವ ಚೌಕಟ್ಟು. ಇದು ಮಾಡೆಲ್ ಅಪರ್ಯಾಪ್ತವಾಗಿ ನಿರ್ದಿಷ್ಟಗೊಳಿಸಲಾದ ಸೂಚನೆಗಳನ್ನು ಹೇಗೆ ನಿರ್ವಹಿಸಬೇಕು ಎಂಬುದನ್ನೂ ಒಳಗೊಂಡಿದೆ, ವಿಶೇಷವಾಗಿ ಏಜೆಂಟ್‌ನಂತೆ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಸಂದರ್ಭಗಳಲ್ಲಿ, ಅಲ್ಲಿ ಅದು ನೈಜ ಜಗತ್ತಿನ ಪಾರ್ಶ್ವಪರಿಣಾಮಗಳನ್ನು ಎಚ್ಚರಿಕೆಯಿಂದ ನಿಯಂತ್ರಿಸುತ್ತಾ ವಿವರಗಳನ್ನು ಸ್ವಾಯತ್ತವಾಗಿ ಪೂರೈಸುವ ನಿರೀಕ್ಷೆಯಿರುತ್ತದೆ.

ಯಾವ ಸೂಚನೆಗಳು ಅನ್ವಯಿಸಬೇಕು ಎಂದು ನಿರ್ಧರಿಸುವ ಮೂಲಭೂತ ಆಲೋಚನೆ ಸರಳವಾಗಿದೆ. ಸೂಚನೆಗಳು OpenAI, ಡೆವಲಪರ್‌ಗಳು ಮತ್ತು ಬಳಕೆದಾರರು ಸೇರಿದಂತೆ ವಿಭಿನ್ನ ಮೂಲಗಳಿಂದ ಬರಬಹುದು. ಆ ಸೂಚನೆಗಳು ಸಂಘರ್ಷಿಸಬಹುದು. ಆಜ್ಞಾ ಸರಣಿ ಆ ಸಂಘರ್ಷಗಳನ್ನು ಮಾಡೆಲ್ ಹೇಗೆ ಪರಿಹರಿಸಬೇಕು ಎಂಬುದನ್ನು ವಿವರಿಸುತ್ತದೆ.  

ಪ್ರತಿ ಮಾಡೆಲ್ ಸ್ಪೆಕ್ ಪಾಲಿಸಿ ಮತ್ತು ಪ್ರತಿ ಸೂಚನೆಗೆ ಒಂದು ಅಧಿಕಾರ ಮಟ್ಟ⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ನೀಡಲಾಗುತ್ತದೆ. ಸಂಘರ್ಷಗಳು ಉಂಟಾದಾಗ ಹೆಚ್ಚಿನ-ಅಧಿಕಾರದ ಸೂಚನೆಗಳ ಅಕ್ಷರ ಮತ್ತು ಆತ್ಮವನ್ನು ಆದ್ಯತೆಯಾಗಿ ಪರಿಗಣಿಸಲು ಮಾಡೆಲ್‌ಗೆ ಸೂಚಿಸಲಾಗುತ್ತದೆ. ಒಂದು ಬಳಕೆದಾರರು ಬಾಂಬ್ ತಯಾರಿಸಲು ಸಹಾಯ ಕೇಳಿದರೆ, ಮಾಡೆಲ್ ಕಠಿಣ ಸುರಕ್ಷತಾ ಮಿತಿಗಳಿಗೆ⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಆದ್ಯತೆ ನೀಡಬೇಕು. ಒಂದು ಬಳಕೆದಾರರು ತಮಗೆ ರೋಸ್ಟ್ ಮಾಡಲು ಕೇಳಿದರೆ, ಮಾಡೆಲ್ ಸಾಮಾನ್ಯವಾಗಿ ಆ ವಿನಂತಿಗೆ ಮಾಡೆಲ್ ಸ್ಪೆಕ್‌ನ ಕಡಿಮೆ-ಅಧಿಕಾರದ ದುರುಪಯೋಗದ ವಿರುದ್ಧದ ಪಾಲಿಸಿಗಿಂತ⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಆದ್ಯತೆ ನೀಡಬೇಕು.

ಈ ರಚನೆ ನಮಗೆ ಅತಿಕ್ರಮಿಸಲಾಗದ ನಿಯಮಗಳ ತುಲನಾತ್ಮಕವಾಗಿ ಸಣ್ಣ ಸಮೂಹವನ್ನು, ದೊಡ್ಡ ಪೂರ್ವನಿಯೋಜಿತಗಳ ಸಮೂಹದ ಜೊತೆಗೆ, ವ್ಯಾಖ್ಯಾನಿಸಲು ಅವಕಾಶ ನೀಡುತ್ತದೆ. ಸುರಕ್ಷತಾ ಮಿತಿಗಳೊಳಗೆ ಬಳಕೆದಾರರ ಸ್ವಾತಂತ್ರ್ಯ ಮತ್ತು ಡೆವಲಪರ್‌ಗಳ ನಿಯಂತ್ರಣವನ್ನು ಗರಿಷ್ಠಗೊಳಿಸಲು ನಾವು ಈ ರೀತಿಯಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತೇವೆ.

• ಕಟ್ಟುನಿಟ್ಟಿನ ನಿಯಮಗಳು ಎಂದರೆ ಬಳಕೆದಾರರು ಅಥವಾ ಡೆವಲಪರ್‌ಗಳು ಮೀರಿಸಲಾಗದ ಸ್ಪಷ್ಟವಾದ ಮಿತಿಗಳು (ಮಾಡೆಲ್ ಸ್ಪೆಕ್‌ನ ಭಾಷೆಯಲ್ಲಿ, ಇವು “ಮೂಲ” ಅಥವಾ “ವ್ಯವಸ್ಥೆ” ಮಟ್ಟದ ಸೂಚನೆಗಳಾಗಿವೆ). ಅವು ಬಹುತೇಕ ನಿಷೇಧಾತ್ಮಕವಾಗಿದ್ದು, ಮಾಡೆಲ್‌ಗಳು ವಿನಾಶಕಾರಿ ಅಪಾಯಗಳಿಗೆ ಅಥವಾ ನೇರ ದೈಹಿಕ ಹಾನಿಗೆ ಕಾರಣವಾಗಬಹುದಾದ, ಕಾನೂನುಗಳನ್ನು ಉಲ್ಲಂಘಿಸುವ ಅಥವಾ ಆಜ್ಞಾ ಸರಣಿಯನ್ನು ದುರ್ಬಲಗೊಳಿಸುವ ನಡವಳಿಕೆಗಳನ್ನು ತಪ್ಪಿಸಬೇಕೆಂದು ಒತ್ತಾಯಿಸುತ್ತವೆ. AI ಸಮಾಜಕ್ಕೆ ಒಂದು ಮೂಲಭೂತ ತಂತ್ರಜ್ಞಾನವಾಗುತ್ತದೆ ಎಂದು ನಾವು ನಿರೀಕ್ಷಿಸುತ್ತೇವೆ, ಅದು ಮೂಲಭೂತ ಇಂಟರ್ನೆಟ್ ಮೂಲಸೌಕರ್ಯಕ್ಕೆ ಸಮಾನವಾಗಿದೆ; ಆದ್ದರಿಂದ, ಅದರೊಂದಿಗೆ ಸಂವಹನ ನಡೆಸುವ ವ್ಯಾಪಕ ವಲಯದ ಡೆವಲಪರ್‌ಗಳು ಮತ್ತು ಬಳಕೆದಾರರಿಗೆ ಅವು ಅಗತ್ಯವೆಂದು ನಾವು ನಂಬಿದಾಗ ಮಾತ್ರ, ಬೌದ್ಧಿಕ ಸ್ವಾತಂತ್ರ್ಯವನ್ನು ಮಿತಿಗೊಳಿಸಬಹುದಾದ ನಿಯಮಗಳನ್ನು ವಿಧಿಸುತ್ತೇವೆ. ಮಾಡೆಲ್ ಸ್ಪೆಕ್‌ನಲ್ಲಿ, ಮಿತಿಗಳೊಳಗೆ ಇರಿ⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ನೈಜ ಜಗತ್ತಿನ ಸ್ಪಷ್ಟ ಸುರಕ್ಷತಾ ಅಪಾಯಗಳನ್ನು ಪರಿಹರಿಸುವ ಕಟ್ಟುನಿಟ್ಟಿನ ನಿಯಮಗಳನ್ನು ಒಳಗೊಂಡಿದೆ, ಮತ್ತು 18 ವರ್ಷದೊಳಗಿನವರ ತತ್ವಗಳು⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) 18 ವರ್ಷಕ್ಕಿಂತ ಕಡಿಮೆ ವಯಸ್ಸಿನ ಬಳಕೆದಾರರಿಗಾಗಿ ಹೆಚ್ಚುವರಿ ಸುರಕ್ಷತಾ ಕ್ರಮಗಳನ್ನು ಸೇರಿಸುತ್ತದೆ.
• ಪೂರ್ವನಿಯೋಜಿತಗಳು ಬದಲಾಯಿಸಬಹುದಾದ ಆರಂಭಿಕ ಬಿಂದುಗಳು: ಬಳಕೆದಾರರು ಅಥವಾ ಡೆವಲಪರ್ ಆದ್ಯತೆಯನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸದಿದ್ದಾಗ ಸಹಾಯಕವು “ಅತ್ಯುತ್ತಮ ಅಂದಾಜಿನಂತೆ” ನಡೆಯುವ ವಿಧಾನ. ನಾವು ಪೂರ್ವನಿಯೋಜಿತಗಳನ್ನು ಬಳಸುವುದು ವರ್ತನೆಯನ್ನು ಊಹಿಸಬಹುದಾದಂತೆ ಮತ್ತು ದೊಡ್ಡ ಪ್ರಮಾಣದಲ್ಲೂ ನಿಯಂತ್ರಿಸಬಹುದಾದಂತೆ ಮಾಡಲು. ಹೀಗಾಗಿ ಜನರು ಪ್ರತಿ ಬಾರಿ ಕಸ್ಟಮ್ ಸೂಚನೆಗಳ ಸಮೂಹವನ್ನು ಬರೆಯದೇ ಏನು ಆಗುತ್ತದೆ ಎಂದು ಮುಂಚಿತವಾಗಿ ಊಹಿಸಬಹುದು. ಪೂರ್ವನಿಯೋಜಿತಗಳು ನಿರ್ದೇಶಿಸಬಹುದಾಗಿರುವಿಕೆಯನ್ನು ಉಳಿಸುತ್ತವೆ: ಬಳಕೆದಾರರು ಮತ್ತು ಡೆವಲಪರ್‌ಗಳು ಸುರಕ್ಷತಾ ಮಿತಿಗಳೊಳಗೆ ಧಾಟಿ, ಆಳತೆ, ಫಾರ್ಮ್ಯಾಟ್, ಹಾಗೆಯೇ ದೃಷ್ಟಿಕೋನವನ್ನೂ ಸ್ಪಷ್ಟವಾಗಿ ನಿರ್ದೇಶಿಸಬಹುದು. ಮಾರ್ಗಸೂಚಿ-ಮಟ್ಟದ ಪೂರ್ವನಿಯೋಜಿತಗಳು (ಧಾಟಿ ಅಥವಾ ಶೈಲಿಯಂತಹವು) ಪರೋಕ್ಷವಾಗಿ ನಿರ್ದೇಶಿಸಬಹುದಾದಂತೆ ವಿನ್ಯಾಸಗೊಳಿಸಲ್ಪಟ್ಟಿವೆ. ಆದರೆ ಬಳಕೆದಾರ-ಮಟ್ಟದ ಪೂರ್ವನಿಯೋಜಿತಗಳು (ಸತ್ಯನಿಷ್ಠೆ ಮತ್ತು ವಸ್ತುನಿಷ್ಠತೆಯಂತಹವು) ನಂಬಿಕೆ ಮತ್ತು ಊಹಿಸಬಹುದಾದಿಕೆಯ ಆಧಾರವಾಗಿದ್ದು, ಅವನ್ನು ಸ್ಪಷ್ಟ ಸೂಚನೆಗಳ ಮೂಲಕ ಮಾತ್ರ ಅತಿಕ್ರಮಿಸಬಹುದು. ಅವು ಭಾವನೆ/ಅಂದಾಜಿನ ಮೇಲೆ ಮೌನವಾಗಿ ದಿಕ್ಕು ಬದಲಿಸಿಕೊಳ್ಳಬಾರದು. ಬಳಕೆದಾರರಿಗೆ ಬೇರೆ ವಾಸ್ತವಿಕ ನಿಲುವು ಬೇಕಿದ್ದರೆ, ಅದನ್ನು ಸ್ಪಷ್ಟ ಸೂಚನೆಯಾಗಿ ನೀಡುವುದರಿಂದ ಬದಲಾವಣೆ ಪಾರದರ್ಶಕವಾಗಿಯೂ ಅರ್ಥವಾಗುವಂತೆಯೂ ಇರುತ್ತದೆ. ಈ ಪೂರ್ವನಿಯೋಜಿತಗಳು ಒಟ್ಟಾಗಿ ಸತ್ಯವನ್ನು ಹುಡುಕಿ⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ), ಅತ್ಯುತ್ತಮ ಕೆಲಸ ಮಾಡಿ⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಮತ್ತು ಸೂಕ್ತ ಶೈಲಿಯನ್ನು ಬಳಸಿ⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ)ಗಳಲ್ಲಿ ಪ್ರತಿಫಲಿಸುತ್ತವೆ. ಇದರಲ್ಲಿ ಪ್ರಾಮಾಣಿಕತೆ ಮತ್ತು ವಸ್ತುನಿಷ್ಠತೆಯ ಕುರಿತ ಮಾನದಂಡಗಳು, ಅಂಧ-ಒಪ್ಪಿಗೆಯನ್ನು ತಪ್ಪಿಸುವುದು ಹಾಗು ನೇರ ಮತ್ತು ಸಂದರ್ಭಕ್ಕೆ ತಕ್ಕ ಸೂಕ್ಷ್ಮತೆ ಹಾಗೂ ವೃತ್ತಿಪರತೆ ಇತ್ಯಾದಿ ಅಂತರಕ್ರಿಯೆಯ ಮಾನದಂಡಗಳು ಸೇರಿವೆ.

ಶ್ರೇಣಿಕ್ರಮವನ್ನು ಮೀರಿ, ಮಾಡೆಲ್ ಸ್ಪೆಕ್ ಅಸ್ಪಷ್ಟ ಪ್ರದೇಶಗಳಲ್ಲಿ ಅದನ್ನು ಸತತವಾಗಿ ಅನ್ವಯಿಸಲು ಮಾಡೆಲ್‌ಗಳಿಗೆ (ಮತ್ತು ಮಾನವರಿಗೆ) ಸಹಾಯ ಮಾಡುವ ವ್ಯಾಖ್ಯಾನಾತ್ಮಕ ಸಹಾಯಕಗಳನ್ನು ಬಳಸುತ್ತದೆ. ಇವುಗಳಲ್ಲಿ ಈ ನೆರವುಗಳು ಸೇರಿವೆ: 

• ಅಸ್ಪಷ್ಟ ಸಂದರ್ಭಗಳಲ್ಲಿ ಒಂದೇ ಯಾಂತ್ರಿಕ ನಿಯಮವಿದೆ ಎಂದು ನಟಿಸದೆ, ಮಾಡೆಲ್‌ಗೆ ಸ್ಥಿರವಾದ ಆಯ್ಕೆಗಳನ್ನು ಮಾಡಲು ಸಹಾಯ ಮಾಡುವ ನಿರ್ಧಾರ ಮಾರ್ಗಸೂಚಿಗಳು. ಉದಾಹರಣೆಗೆ, ಅಡ್ಡ ಪರಿಣಾಮಗಳನ್ನು ನಿಯಂತ್ರಿಸುವುದರ⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಕುರಿತು ಮಾಡೆಲ್ ಸ್ಪೆಕ್‌ನ ಮಾರ್ಗದರ್ಶನವು ಬದಲಾಯಿಸಲಾಗದ ಕ್ರಮಗಳನ್ನು ಕನಿಷ್ಠಗೊಳಿಸುವುದು, ಕ್ರಮಗಳನ್ನು ಉದ್ದೇಶಕ್ಕೆ ಅನುಪಾತವಾಗಿರಿಸುವುದು, ಅನನುಕೂಲಕರ ಅಚ್ಚರಿಗಳನ್ನು ಕಡಿಮೆ ಮಾಡುವುದು ಮತ್ತು ಹಿಮ್ಮುಖಗೊಳಿಸಬಹುದಾದ ವಿಧಾನಗಳಿಗೆ ಆದ್ಯತೆ ನೀಡುವುದು ಮುಂತಾದ ಪರಿಗಣನೆಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡುತ್ತದೆ; ಇವುಗಳನ್ನು ಕಾರ್ಯವನ್ನು ತ್ವರಿತವಾಗಿ ಮತ್ತು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಪೂರ್ಣಗೊಳಿಸುವಂತಹ ಇತರ ಉದ್ದೇಶಗಳೊಂದಿಗೆ ಸಮತೋಲನಗೊಳಿಸಬೇಕು.
• ನಿರ್ದಿಷ್ಟ ಉದಾಹರಣೆಗಳು ತತ್ವವನ್ನು ಪ್ರಾಯೋಗಿಕವಾಗಿ ಹೇಗೆ ಅನ್ವಯಿಸಬೇಕು ಎಂಬುದನ್ನು ತೋರಿಸುತ್ತವೆ. ಇವು ಚಿಕ್ಕ ಪ್ರಾಂಪ್ಟ್-ಮತ್ತು-ಪ್ರತಿಕ್ರಿಯೆ ಉದಾಹರಣೆಗಳಾಗಿದ್ದು, ಸಾಮಾನ್ಯವಾಗಿ ಅನುಸರಣೆಯ ಮತ್ತು ಅನುಸರಣೆ ಇಲ್ಲದ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತವೆ. ಅವು ಸಾಮಾನ್ಯವಾಗಿ ಪ್ರಮುಖ ನಿರ್ಧಾರ ಗಡಿಯ ಸಮೀಪದ ಕಠಿಣ ಪ್ರಾಂಪ್ಟ್ ಮೇಲೆ ಆಧಾರಿತವಾಗಿರುತ್ತವೆ. ಗುರಿಯು ಸಂಪೂರ್ಣ ವಾಸ್ತವಿಕ ಸಂಭಾಷಣೆಯನ್ನು ಅನುಕರಿಸುವುದಲ್ಲ. ಪ್ರಮುಖ ವ್ಯತ್ಯಾಸವನ್ನು ಸ್ಪಷ್ಟಪಡಿಸಲು ಮತ್ತು ಬಯಸಿದ ಪ್ರತಿಕ್ರಿಯೆಯ ಶೈಲಿಯನ್ನೂ ಪ್ರದರ್ಶಿಸಲು ಇದು ಉದ್ದೇಶಿಸಲಾಗಿದೆ.

ನಾವು ಉದಾಹರಣೆಗಳ ಸಂಖ್ಯೆಯನ್ನು ಕಡಿಮೆ ಇಟ್ಟು, ಅತ್ಯಂತ ಮಾಹಿತಿಯುತವಾದವುಗಳ ಮೇಲೆ ಗಮನಹರಿಸುತ್ತೇವೆ. ವಿಶಾಲವಾದ ಮೌಲ್ಯಮಾಪನ ಪ್ಯಾಕೇಜ್‌ಗಳು ಲಾಂಗ್ ಟೇಲ್‌ನ ಹೆಚ್ಚಿನ ಭಾಗವನ್ನು ಒಳಗೊಳ್ಳಲು ನೆರವಾಗುತ್ತವೆ.

ಸ್ಪೆಕ್ ಒಂದು ಇಂಟರ್ಫೇಸ್, ಅನುಷ್ಠಾನವಲ್ಲ. ಇದು ನಾವು ಬಯಸುವ ವರ್ತನೆಯನ್ನು ವಿವರಿಸುತ್ತದೆ, ಆದರೆ ಆ ವರ್ತನೆಯನ್ನು ನಾವು ಹೇಗೆ ಉಂಟುಮಾಡುತ್ತೇವೆ ಎಂಬ ಪ್ರತಿಯೊಂದು ವಿವರವನ್ನು ಅಲ್ಲ. ನಾವು ಅದನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುವ ವಿವರಗಳಿಗೆ, ಉದಾಹರಣೆಗೆ ಆಂತರಿಕ ಟೋಕನ್ ಸ್ವರೂಪಗಳು ಅಥವಾ ನಿರ್ದಿಷ್ಟ ನಡವಳಿಕೆಗೆ ಸಂಬಂಧಿಸಿದ ನಿಖರವಾದ ತರಬೇತಿ ವಿಧಾನಕ್ಕೆ, ಕಟ್ಟಿ ಹಾಕುವುದನ್ನು ತಪ್ಪಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತೇವೆ, ಏಕೆಂದರೆ ಬಯಸಿದ ನಡವಳಿಕೆ ಬದಲಾಗದಿದ್ದರೂ ಆ ವಿವರಗಳು ಬದಲಾಗಬಹುದು. ಮಾಡೆಲ್ ಸ್ಪೆಕ್‌ನ ಪ್ರಾಥಮಿಕ ಪ್ರೇಕ್ಷಕರು ಮಾಡೆಲ್ ಅಲ್ಲ, ಮನುಷ್ಯರು: ಇದು OpenAI ನ ಉದ್ಯೋಗಿಗಳು, ಬಳಕೆದಾರರು, ಡೆವಲಪರ್‌ಗಳು, ಸಂಶೋಧಕರು ಮತ್ತು ನೀತಿನಿರ್ಮಾತೃಗಳು ಉದ್ದೇಶಿತ ನಡವಳಿಕೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು, ಚರ್ಚಿಸಲು ಮತ್ತು ನಿರ್ಧರಿಸಲು ಸಹಾಯ ಮಾಡಲು ಉದ್ದೇಶಿಸಲಾಗಿದೆ.

ಸ್ಪೆಕ್ ಸಂಪೂರ್ಣ ಉತ್ಪನ್ನವನ್ನು ವಿವರಿಸುವುದಿಲ್ಲ; ಅದು ಮಾಡೆಲ್ ಅನ್ನು ಮಾತ್ರ ವಿವರಿಸುತ್ತದೆ. ಇದನ್ನು ನಮ್ಮ ಬಳಕೆ ನೀತಿಗಳು⁠ ಪೂರೈಸುತ್ತವೆ; ಅವು ಜನರು API ಮತ್ತು ChatGPT ಅನ್ನು ಹೇಗೆ ಬಳಸಬೇಕು ಎಂಬುದರ ಕುರಿತು ನಮ್ಮ ನಿರೀಕ್ಷೆಗಳನ್ನು ವಿವರಿಸುತ್ತವೆ. ಬಳಕೆದಾರರು ಸಂವಹನ ಮಾಡುವ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ ಮಾಡೆಲ್ ಮಾತ್ರವಲ್ಲ; ಕಸ್ಟಮ್ ಸೂಚನೆಗಳು, ಮೆಮೊರಿ, ಮೇಲ್ವಿಚಾರಣೆ, ನೀತಿ ಜಾರಿಗೊಳಿಸುವಿಕೆ ಮತ್ತು ಇತರ ಪದರಗಳಂತಹ ಉತ್ಪನ್ನ ವೈಶಿಷ್ಟ್ಯಗಳೂ ಸೇರಿವೆ. ಇವೆಲ್ಲವೂ ಮಹತ್ವದ್ದಾಗಿವೆ. ಸುರಕ್ಷತೆ ಎಂಬುದು ಕೇವಲ ಮಾಡೆಲ್‌ನ ನಡವಳಿಕೆಗೆ ಮಾತ್ರ ಸೀಮಿತವಲ್ಲ ಮತ್ತು ನಾವು ಆಳವಾದ ರಕ್ಷಣಾ ಕ್ರಮ⁠ವನ್ನು ನಂಬುತ್ತೇವೆ. 

ಮತ್ತು Spec ನಮ್ಮ ಸಂಪೂರ್ಣ ತರಬೇತಿ ಸ್ಟ್ಯಾಕ್‌ನ ಅಥವಾ ಆಂತರಿಕ ನೀತಿಗಳಲ್ಲಿನ ಪ್ರತಿಯೊಂದು ವ್ಯತ್ಯಾಸದ ಸಂಪೂರ್ಣ ವಿವರಣೆ ಅಲ್ಲ. ಗುರಿಯು ಪ್ರತಿಯೊಂದು ವಿವರವನ್ನು ಸೆರೆಹಿಡಿಯುವುದಲ್ಲ. ಅತ್ಯಂತ ಪ್ರಮುಖ ನಡವಳಿಕೆ ಸಂಬಂಧಿತ ನಿರ್ಧಾರಗಳನ್ನು, ನಮ್ಮ ಉದ್ದೇಶಿತ ಮಾಡೆಲ್ ನಡವಳಿಕೆಗೆ ಸಂಪೂರ್ಣವಾಗಿ ಹೊಂದಿಕೆಯಾಗುವ ರೀತಿಯಲ್ಲಿ, ಅರ್ಥವಾಗುವಂತೆ ಮಾಡುವುದಕ್ಕಾಗಿ ಇದು ಇದೆ.

ಕೆಲವೇ ಕೆಲವು ಉನ್ನತ-ಮಟ್ಟದ ಗುರಿಗಳಿಂದ ಓದುಗ ಅಥವಾ ಮಾಡೆಲ್ ಎಲ್ಲವನ್ನೂ ಊಹಿಸಬಹುದು ಎಂದು ಭಾವಿಸುವುದಕ್ಕಿಂತ, ಈ ಮಟ್ಟದ ವಿವರಗಳನ್ನು ಸ್ಪೆಕ್‌ನಲ್ಲಿ ಸೇರಿಸಲು ಹಲವು ಕಾರಣಗಳಿವೆ.

ಮೊದಲಿಗೆ, ಮಾಡೆಲ್ ಸ್ಪೆಕ್ ಒಂದು ಪಾರದರ್ಶಕತೆ ಮತ್ತು ಹೊಣೆಗಾರಿಕೆ ಸಾಧನ. ಅರ್ಥಪೂರ್ಣ ಸಾರ್ವಜನಿಕ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಉತ್ತೇಜಿಸಲು ಇದನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ. ಸ್ಪಷ್ಟವಾದ ಸಾರ್ವಜನಿಕ ಗುರಿಯು ಒಂದು ನಡವಳಿಕೆ ದೋಷವೇ ಅಥವಾ ವೈಶಿಷ್ಟ್ಯವೇ ಎಂಬುದನ್ನು ಜನರಿಗೆ ಗುರುತಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಇದು ಅವರಿಗೆ ವಿಮರ್ಶೆ ಮತ್ತು ನಿರ್ದಿಷ್ಟ ಪ್ರತಿಕ್ರಿಯೆಗೆ ಸ್ಥಿರವಾದ ಉಲ್ಲೇಖ ಬಿಂದುವನ್ನು ಒದಗಿಸುತ್ತದೆ. ಅದಕ್ಕಾಗಿಯೇ ನಾವು ಮಾಡೆಲ್ ಸ್ಪೆಕ್ ಅನ್ನು ಮುಕ್ತ ಮೂಲವನ್ನಾಗಿ ಮಾಡಿದೆವು⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಮತ್ತು ಸಾರ್ವಜನಿಕವಾಗಿ ಪುನರಾವರ್ತಿಸಲು ಆಯ್ಕೆ ಮಾಡಿಕೊಂಡಿದ್ದೇವೆ. ಮೊದಲ ಬಿಡುಗಡೆಗೊಂಡ ನಂತರದಿಂದ, ಪ್ರತಿಕ್ರಿಯಾ ಫಾರ್ಮ್‌ಗಳು, ಸಾರ್ವಜನಿಕ ವಿಮರ್ಶೆಗಳು, ಮತ್ತು ಪ್ರಜಾಸತ್ತಾತ್ಮಕ ಅಭಿಪ್ರಾಯಗಳನ್ನು ಸಂಗ್ರಹಿಸಲು ಉದ್ದೇಶಪೂರ್ವಕ ಪ್ರಯತ್ನಗಳ⁠ ಸೇರಿದಂತೆ ವಿವಿಧ ವಿಧಾನಗಳ ಮೂಲಕ ಸಂಗ್ರಹಿಸಲಾದ ಸಾರ್ವಜನಿಕ ಪ್ರತಿಕ್ರಿಯೆಯ ಆಧಾರದ ಮೇಲೆ ಅನೇಕ ಬದಲಾವಣೆಗಳನ್ನು ಮಾಡಲಾಗಿದೆ.

ಎರಡನೆಯದಾಗಿ, ಮಾಡೆಲ್ ಸ್ಪೆಕ್ OpenAI ಒಳಗಿನ ಸಮನ್ವಯ ಸಾಧನವಾಗಿದೆ. ಇದು ಸಂಶೋಧನೆ, ಉತ್ಪನ್ನ, ಸುರಕ್ಷತೆ, ನೀತಿ, ಕಾನೂನು, ಸಂವಹನ ಮತ್ತು ಇತರ ಕಾರ್ಯಕ್ಷೇತ್ರಗಳಾದ್ಯಂತ ಇರುವ ಜನರಿಗೆ ಮಾಡೆಲ್ ನಡವಳಿಕೆ ಕುರಿತು ಚರ್ಚಿಸಲು ಹಂಚಿಕೆಯ ಪದಸಂಪತ್ತನ್ನು ಮತ್ತು ಬದಲಾವಣೆಗಳನ್ನು ಪ್ರಸ್ತಾಪಿಸಲು ಹಾಗೂ ಪರಿಶೀಲಿಸಲು ಒಂದು ವಿಧಾನವನ್ನು ಒದಗಿಸುತ್ತದೆ.

ಮೂರನೆಯದಾಗಿ, ಸ್ಪಷ್ಟ ನೀತಿಗಳು ಮಾಡೆಲ್ ಬುದ್ಧಿಮತ್ತೆ ಮತ್ತು ರನ್‌ಟೈಮ್ ಕಾನ್ಟೆಕ್ಸ್ಟ್‌ನಲ್ಲಿರುವ ಪ್ರಾಯೋಗಿಕ ಮಿತಿಗಳನ್ನು ಸರಿದೂಗಿಸಬಹುದು ಮತ್ತು ನಡವಳಿಕೆಯನ್ನು ಹೆಚ್ಚು ಪೂರ್ವಾನುಮಾನಿತವಾಗಿಸಬಹುದು. ಕಾಲಕ್ರಮೇಣ ಇದು ಕಡಿಮೆ ಸತ್ಯವಾಗುತ್ತಿದೆಯಾದರೂ, ಕೆಲವು ನೀತಿಗಳು ಅಪರ್ಯಾಪ್ತ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಸರಿಹೊಂದಿಸುವ ಉದ್ದೇಶ ಹೊಂದಿವೆ, ಅಲ್ಲಿ ಮಾಡೆಲ್‌ಗಳು ಉನ್ನತ-ಮಟ್ಟದ ತತ್ವಗಳಿಂದ ಸರಿಯಾದ ನಡವಳಿಕೆಯನ್ನು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ನಿರ್ಗಮಿಸದಿರಬಹುದು. ಉದಾಹರಣೆಗೆ, ಸ್ಪಷ್ಟವಾಗಿ ಮತ್ತು ನೇರವಾಗಿ ಹೇಳಿ⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಎಂಬುದು ಹಿಂದೆ ಇದ್ದ ಮಾಡೆಲ್‌ಗಳಿಗೆ ಲೆಕ್ಕಾಚಾರಗಳು ಅಗತ್ಯವಿರುವ ಸವಾಲಿನ ಸಮಸ್ಯೆಗಳಿಗಾಗಿ ಉತ್ತರವನ್ನು ಹೇಳುವ ಮೊದಲು ತಮ್ಮ ಕೆಲಸದ ಹಂತಗಳನ್ನು ತೋರಿಸಲು ಸಲಹೆ ನೀಡುತ್ತಿತ್ತು, ಆದರೆ ಇಂದು ನಮ್ಮ ಮಾಡೆಲ್‌ಗಳು ರೀಇನ್‌ಫೋರ್ಸ್‌ಮೆಂಟ್ ಲರ್ನಿಂಗ್⁠ ಮೂಲಕ ಈ ವರ್ತನೆಯನ್ನು ಸಹಜವಾಗಿ ಕಲಿಯುತ್ತವೆ. 

ಇತರೆ ನೀತಿಗಳು ರನ್‌ಟೈಮ್‌ನಲ್ಲಿ ಸೀಮಿತ ಸಂದರ್ಭ ವನ್ನು ಪರಿಗಣಿಸುತ್ತವೆ: ಸಹಾಯಕವು ಪ್ರಸ್ತುತ ಸಂವಹನದಲ್ಲಿ ಗಮನಿಸಬಹುದಾದದ್ದರ ಮೇಲೆ ಮಾತ್ರ ಅವಲಂಬಿಸಬಹುದು ಮತ್ತು ಬಳಕೆದಾರರ ಸಂಪೂರ್ಣ ಪರಿಸ್ಥಿತಿ, ಉದ್ದೇಶ, ನಂತರದ ಬಳಕೆ ಅಥವಾ ಮಾಡೆಲ್‌ನ ಹೊರಗೆ ಯಾವ ಸುರಕ್ಷತಾ ಕ್ರಮಗಳು ಅಸ್ತಿತ್ವದಲ್ಲಿವೆ ಎಂಬುದನ್ನು ಅಪರೂಪವಾಗಿ ಮಾತ್ರ ತಿಳಿದಿರುತ್ತದೆ. ಅಂತಹ ಸಂದರ್ಭಗಳಲ್ಲಿ, ಸಾಕಷ್ಟು ಸಂಶೋಧನೆ ಮತ್ತು ಚಿಂತನೆಯೊಂದಿಗೆ ಮಾಡೆಲ್‌ಗಳು ಸರಿಯಾದ ನಡವಳಿಕೆಯನ್ನು ಕಂಡುಹಿಡಿಯಲು ಸಾಧ್ಯವಾಗಬಹುದಾದರೂ ಸಹ, ನಿರ್ದಿಷ್ಟತೆ ದಕ್ಷತೆ ಮತ್ತು ಪೂರ್ವಾನುಮಾನವನ್ನು ಸುಧಾರಿಸುತ್ತದೆ—ಅಂದರೆ ಅನೇಕ ತೀರ್ಮಾನಾತ್ಮಕ ಆಯ್ಕೆಗಳನ್ನು ಮಾರ್ಗದರ್ಶನವಾಗಿ ಸಂಕ್ಷಿಪ್ತಗೊಳಿಸುವ ಮೂಲಕ, ಸಮಾನ ಪ್ರಾಂಪ್ಟ್‌ಗಳಲ್ಲಿ ವ್ಯತ್ಯಾಸವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ಬಳಕೆದಾರರು ಹಾಗೂ ಸಂಶೋಧಕರು ಇಬ್ಬರಿಗೂ ನಡವಳಿಕೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದನ್ನು ಸುಲಭಗೊಳಿಸುತ್ತದೆ.

ಕೊನೆಗೆ, ಮಾಡೆಲ್ ಸ್ಪೆಕ್ ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ಅಳತೆಗೆ ಸಂಬಂಧಿಸಿದ ಉನ್ನತ ಮಟ್ಟದ ನೀತಿಗಳ ಸಂಪೂರ್ಣ ಪಟ್ಟಿಯಾಗಲು ಉದ್ದೇಶಿಸಿದೆ. ಮಾಡೆಲ್ ಉದ್ದೇಶಿತ ರೀತಿಯಲ್ಲಿ ವರ್ತಿಸುತ್ತಿದೆಯೇ ಎಂಬುದನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು, ನೀವು ಕಾಳಜಿ ವಹಿಸುವ ನಡವಳಿಕೆಯ ಪ್ರಮುಖ ವರ್ಗಗಳ ಸಾರ್ವಜನಿಕ ಪಟ್ಟಿಯನ್ನು ಹೊಂದಿರುವುದು ಉಪಯುಕ್ತವಾಗಿದೆ.

ಸಾಕಷ್ಟು ಸಾಮರ್ಥ್ಯವಿರುವ ಮಾಡೆಲ್ “ಸಹಾಯಕವಾಗಿರಿ ಮತ್ತು ಸುರಕ್ಷಿತವಾಗಿರಿ” ಎಂಬಂತಹ ಗುರಿಗಳ ಚಿಕ್ಕ ಪಟ್ಟಿಯಿಂದಲೇ ಸರಿಯಾದ ವರ್ತನೆಯನ್ನು ಊಹಿಸಲು ಸಾಧ್ಯವಾಗಬೇಕು ಎಂದು ಯೋಚಿಸುವುದು ಆಕರ್ಷಕವಾಗಿದೆ. ಅದರಲ್ಲಿ ಸ್ವಲ್ಪ ಸತ್ಯವಿದೆ. ಗಣಿತದಂತಹ, ವಸ್ತುನಿಷ್ಠ ಯಶಸ್ಸಿನ ಮಾನದಂಡಗಳಿರುವ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ, ಬುದ್ಧಿಮತ್ತೆಯು ಅನೇಕ ಬಾರಿ ವಿವರವಾದ ನಿಯಮಗಳಿಗೆ ಪರ್ಯಾಯವಾಗಬಹುದು.

ಆದರೆ ಸಾಮಾನ್ಯವಾಗಿ, ಮಾಡೆಲ್‌ಗಳ ನಡವಳಿಕೆ ಸರಳ ಗಣಿತ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸುವಂತಿಲ್ಲ; ಮಾಡೆಲ್‌ಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಎಲ್ಲರೂ ಒಪ್ಪಿಕೊಳ್ಳಬಹುದಾದ ಒಂದೇ ನೈತಿಕವಾಗಿ ಸರಿಯಾದ ಉತ್ತರವಿಲ್ಲದ ಸಂಕೀರ್ಣ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ. ಮಾಡೆಲ್ “ಸಹಾಯಕ ಮತ್ತು ಸುರಕ್ಷಿತ” ಎಂದು ಹೇಳುವುದರ ಅರ್ಥವು ಸಂದರ್ಭದ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದ್ದು, ಇದು ಸ್ವಭಾವತಃ ಮೌಲ್ಯಾಧಾರಿತ ನಿರ್ಧಾರಗಳ ಫಲಿತಾಂಶವಾಗಿದೆ. ನೈತಿಕತೆ ಮತ್ತು ಮೌಲ್ಯಗಳ ವಿಷಯದಲ್ಲಿ ಯಾವ ಸಮತೋಲನಗಳನ್ನು ಸಾಧಿಸಬೇಕು ಎಂಬುದನ್ನು ಬುದ್ಧಿಮತ್ತೆ ಮಾತ್ರವೇ ನಿರ್ಧರಿಸುವುದಿಲ್ಲ. ಆದ್ದರಿಂದ, ಮಾಡೆಲ್‌ಗಳು ಬುದ್ಧಿಮತ್ತೆಯಲ್ಲಿ ಸುಧಾರಿಸಿದರೂ, ಮೌಲ್ಯಾಧಾರಿತ ತೀರ್ಮಾನಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಮತ್ತು ಮಾರ್ಗದರ್ಶನ ನೀಡಲು, ನಿರ್ದಿಷ್ಟ ಸಂದರ್ಭಗಳಲ್ಲಿ “ನೈತಿಕವಾಗಿ” ವರ್ತಿಸುವುದರ ಅರ್ಥವನ್ನು ತಿಳಿಯಲು ಇನ್ನೂ ಕೆಲಸ ಅಗತ್ಯವಿದೆ. ಮಾಡೆಲ್‌ಗಳು ಹೆಚ್ಚು ಸಾಮರ್ಥ್ಯಯುತವಾಗಿದರೂ, ಮಾಡೆಲ್ ಸ್ಪೆಕ್ ಹೊಂದಿರುವ ಬಹುತೇಕ ಕಾರಣಗಳು ಇನ್ನೂ ಪ್ರಸ್ತುತವಾಗಿವೆ: ಜನರು ಸಮನ್ವಯ ಸಾಧಿಸಲು ಸಾರ್ವಜನಿಕ ಗುರಿ, ನಡವಳಿಕೆ ನಮ್ಮ ಉದ್ದೇಶಗಳಿಗೆ ಹೊಂದಿಕೆಯಾಗುತ್ತದೆಯೇ ಎಂಬುದನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವ ವಿಧಾನ ಮತ್ತು ನಾವು ಕಲಿಯುತ್ತಾ ಹೋದಂತೆ ನಿಯಮಗಳನ್ನು ಪರಿಷ್ಕರಿಸಲು ಕಾರ್ಯವಿಧಾನಗಳು ಅಗತ್ಯವಿದೆ. ಒಂದೇ ನಿಯಮ “ಸಹಾಯಕವಾಗಿರಿ ಮತ್ತು ಸುರಕ್ಷಿತವಾಗಿರಿ” ಎಂಬುದಾದರೆ, ಉದಾಹರಣೆಗೆ, ಮಾಡೆಲ್ ಯಾವ ವಿಷಯವನ್ನು ನೀಡಲು ನಿರಾಕರಿಸಬೇಕು ಎಂಬ ಗಡಿಗಳ ಬಗ್ಗೆ ಮಾನವರು ಚರ್ಚಿಸಲು ಯಾವುದೇ ಕಾರ್ಯವಿಧಾನ ಇರುವುದಿಲ್ಲ; ಇದರಿಂದ ಈ ಎಲ್ಲಾ ನಿರ್ಧಾರಗಳು ಮಾಡೆಲ್‌ಗೆ ಬಿಟ್ಟಂತಾಗುತ್ತದೆ.

ಏನಾದರೂ ಇದ್ದರೆ, ಮಾಡೆಲ್‌ಗಳು ಹೆಚ್ಚು ಸಾಮರ್ಥ್ಯ ಹೊಂದಿದಂತೆ, ಹೆಚ್ಚು ಏಜೆಂಟಿಕ್ ಆಗಿದಂತೆ ಮತ್ತು ಹೆಚ್ಚು ವ್ಯಾಪಕವಾಗಿ ನಿಯೋಜಿಸಲ್ಪಟ್ಟಂತೆ, ಅಸ್ಪಷ್ಟತೆಯ ವೆಚ್ಚ ಹೆಚ್ಚಾಗುತ್ತದೆ. ಅದು ಸ್ಪಷ್ಟವಾದ ನಡವಳಿಕೆಯ ಚೌಕಟ್ಟನ್ನು ಕಡಿಮೆ ಅಲ್ಲ, ಇನ್ನಷ್ಟು ಮುಖ್ಯವಾಗಿಸುತ್ತದೆ.

ಒಂದು ಉಪಯುಕ್ತ ಸಾದೃಶ್ಯವೆಂದರೆ ಲಿಖಿತ ಸಂವಿಧಾನ ಮತ್ತು ನ್ಯಾಯನಿದರ್ಶನಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸ. ಲಿಖಿತ ಸಂವಿಧಾನವು ಉನ್ನತ ಮಟ್ಟದ ತತ್ವಗಳನ್ನೂ ಹಾಗೆಯೇ ನಿರ್ದಿಷ್ಟ ನಿಯಮಗಳನ್ನೂ ಒದಗಿಸಬಹುದಾದರೂ, ಉದ್ಭವಿಸಬಹುದಾದ ಮತ್ತು ಅದರ ಮಾರ್ಗದರ್ಶನವನ್ನು ಅಗತ್ಯಪಡಿಸುವ ಎಲ್ಲಾ ಸಾಧ್ಯ ಸಂದರ್ಭಗಳನ್ನು ಅದು ಮುಂಚಿತವಾಗಿ ಊಹಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ. ನೈಜ ಆಡಳಿತ ವ್ಯವಸ್ಥೆಗಳಿಗೆ ಸಹ ಸಂಕೀರ್ಣ ಪ್ರಕರಣಗಳು ಅಥವಾ ಅನಿರೀಕ್ಷಿತ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ವ್ಯಾಖ್ಯಾನಾತ್ಮಕ ಕಾರ್ಯವಿಧಾನಗಳು, ಸ್ಪಷ್ಟೀಕರಣಗಳು ಮತ್ತು ಸ್ಪಷ್ಟವಾದ ತೀರ್ಪುಗಳು ಅಗತ್ಯವಿರುತ್ತವೆ. ಪ್ರಕಟಿತ ನಿಯಮಗಳು ವಿಭಿನ್ನ ಹಿತಾಸಕ್ತಿಪಕ್ಷಗಳು ಅವರು ಭಿನ್ನಾಭಿಪ್ರಾಯ ಹೊಂದಿದ್ದರೂ ಸಹ ಸಮನ್ವಯ ಸಾಧಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತವೆ ಮತ್ತು ಯಾವುದೇ ಬದಲಾವಣೆ ಸ್ಪಷ್ಟವಾಗಿರಬೇಕೆಂದು ಕಡ್ಡಾಯಗೊಳಿಸುವ ಮೂಲಕ ಬದಲಾವಣೆಯನ್ನು ನಿರ್ಬಂಧಿಸುತ್ತವೆ. ಮಾಡೆಲ್ ಸ್ಪೆಕ್ ಈ ಎಲ್ಲಾ ಪಾತ್ರಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಉದ್ದೇಶಿಸಲಾಗಿದೆ: ತತ್ವಗಳ ಘೋಷಣೆ, ಸಾರ್ವಜನಿಕ ನಡವಳಿಕೆಯ ಚೌಕಟ್ಟು ಮತ್ತು ಕಾಲಕ್ರಮೇಣ ಸ್ಪೆಕ್ ಅನ್ನು ಬದಲಾಯಿಸುವ ಪ್ರಕ್ರಿಯೆ.

ಹೀಗೆಂದರೂ, ಮಾಡೆಲ್ ನಡವಳಿಕೆಯ ಬಗ್ಗೆ ಮುಖ್ಯವಾದ ಎಲ್ಲವನ್ನೂ ಯಾವಾಗಲೂ ಸ್ಪಷ್ಟ ನಿಯಮಗಳಿಗೆ ಇಳಿಸಬಹುದೆಂದು ನಾವು ಭಾವಿಸುವುದಿಲ್ಲ. ವ್ಯವಸ್ಥೆಗಳು ಹೆಚ್ಚು ಸ್ವಾಯತ್ತವಾಗುತ್ತಾ ಹೋದಂತೆ, ವಿಶ್ವಾಸಾರ್ಹತೆ ಮತ್ತು ನಂಬಿಕೆಗಳು ಹೆಚ್ಚಾಗಿ ಇನ್ನಷ್ಟು ವ್ಯಾಪಕ ಕೌಶಲ್ಯಗಳು ಮತ್ತು ಮನೋವೃತ್ತಿಗಳ ಮೇಲೆ ಅವಲಂಬಿತವಾಗುತ್ತವೆ: ಅನಿಶ್ಚಿತತೆಯನ್ನು ಚೆನ್ನಾಗಿ ಸಂವಹನ ಮಾಡುವುದು, ಸ್ವಾಯತ್ತತೆಯ ವ್ಯಾಪ್ತಿಗಳನ್ನು ಗೌರವಿಸುವುದು, ಅಹಿತಕರ ಅಚ್ಚರಿಗಳನ್ನು ತಪ್ಪಿಸುವುದು, ಉದ್ದೇಶವನ್ನು ಕಾಲಕ್ರಮೇಣ ಅನುಸರಿಸುವುದು ಮತ್ತು ಸಂದರ್ಭದಲ್ಲಿ ಮಾನವ ಮೌಲ್ಯಗಳ ಬಗ್ಗೆ ಉತ್ತಮವಾಗಿ ರೀಜನಿಂಗ್.

ಮಾಡೆಲ್ ಸ್ಪೆಕ್ ಅನ್ನು ಬರೆಯುವಾಗ, ಒಂದು ತುದಿಯಲ್ಲಿ ಇಂದಿನ ಮಾಡೆಲ್‌ನ ನೈಜ ನಡವಳಿಕೆಯನ್ನು ಅದರ ಎಲ್ಲಾ ದೋಷಗಳೊಡನೆ ವಿವರಿಸುವುದು ಮತ್ತು ಮತ್ತೊಂದು ತುದಿಯಲ್ಲಿ ದೂರದ ಭವಿಷ್ಯದ ಆದರ್ಶ ಗುರಿಯನ್ನು ವಿವರಿಸುವುದು ಎಂಬ ಎರಡು ಅಂಚುಗಳ ನಡುವೆ ಒಂದು ವ್ಯಾಪ್ತಿ ಇದೆ. ನಾವು ಸಮತೋಲನ ಸಾಧಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತೇವೆ, ಸಾಮಾನ್ಯವಾಗಿ ಪ್ರಸ್ತುತ ಸಮಯಕ್ಕಿಂತ ಸುಮಾರು 0-3 ತಿಂಗಳುಗಳಷ್ಟು ಮುಂದಿನ ಅವಧಿಯನ್ನು ಗುರಿಯಾಗಿರಿಸುತ್ತೇವೆ. ಹೀಗಾಗಿ, ಮಾಡೆಲ್ ಸ್ಪೆಕ್ ಸಕ್ರಿಯ ಅಭಿವೃದ್ಧಿಯ ಕನಿಷ್ಠ ಕೆಲವು ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಮಾಡೆಲ್‌ಗಿಂತ ಮುಂದೆ ಇರುತ್ತದೆ.

ಅದು ಮಾಡೆಲ್ ಸ್ಪೆಕ್‌ನ ಪಾತ್ರವನ್ನು ಉದ್ದೇಶಿತ ನಡವಳಿಕೆಯನ್ನು ವಿವರಿಸುವುದಾಗಿ ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ. ಇದು ನಾವು ಈಗಾಗಲೇ ಮಾಡುತ್ತಿರುವ ಕೆಲಸಗಳಲ್ಲಿ ಅಥವಾ ಸಮೀಪ ಭವಿಷ್ಯದಲ್ಲಿ ಅನುಷ್ಠಾನಗೊಳಿಸಲು ಸ್ಪಷ್ಟವಾದ ಯೋಜನೆಗಳನ್ನು ಹೊಂದಿರುವ ವಿಷಯಗಳಲ್ಲಿ ನೆಲೆಯೂರಿಕೊಂಡು, ನಮ್ಮನ್ನು ಸಮನ್ವಯಿತ ದಿಕ್ಕಿನತ್ತ ಮುನ್ನಡೆಸಬೇಕು.

ಮಾಡೆಲ್ ಸ್ಪೆಕ್ ಅನ್ನು ಮುಕ್ತ ಆಂತರಿಕ ಪ್ರಕ್ರಿಯೆಯ ಮೂಲಕ ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗುತ್ತದೆ. OpenAI ನಲ್ಲಿ ಇರುವ ಯಾರಾದರೂ ಇದಕ್ಕೆ ಕಾಮೆಂಟ್ ಮಾಡಬಹುದು ಅಥವಾ ಬದಲಾವಣೆಗಳನ್ನು ಪ್ರಸ್ತಾಪಿಸಬಹುದು ಮತ್ತು ಅಂತಿಮ ನವೀಕರಣಗಳನ್ನು ವ್ಯಾಪಕವಾದ ಕ್ರಾಸ್-ಫಂಕ್ಷನಲ್ ಪಾಲುದಾರರ ಗುಂಪು ಅನುಮೋದಿಸುತ್ತದೆ. ಪ್ರಾಯೋಗಿಕವಾಗಿ, ಡಜನ್‌ಗಟ್ಟಲೆ ಜನರು ನೇರವಾಗಿ ಪಠ್ಯಕ್ಕೆ ಕೊಡುಗೆ ನೀಡಿದ್ದಾರೆ ಮತ್ತು ಸಂಶೋಧನೆ, ಎಂಜಿನಿಯರಿಂಗ್, ಉತ್ಪನ್ನ, ಸುರಕ್ಷತೆ, ನೀತಿ, ಕಾನೂನು, ಸಂವಹನ, ಜಾಗತಿಕ ವ್ಯವಹಾರಗಳು ಹಾಗೂ ಇತರ ಕಾರ್ಯಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಇನ್ನೂ ಅನೇಕರು ತಮ್ಮ ಅಭಿಪ್ರಾಯವನ್ನು ನೀಡುತ್ತಾರೆ. ನಾವು ಸಾರ್ವಜನಿಕ ಬಿಡುಗಡೆಗಳು ಮತ್ತು ಪ್ರತಿಕ್ರಿಯೆಯಿಂದಲೂ ಕಲಿಯುತ್ತೇವೆ, ಅವು ನೈಜ ನಿಯೋಜನೆಯಲ್ಲಿ ಈ ಆಯ್ಕೆಗಳನ್ನು ಪರೀಕ್ಷಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತವೆ.

ಇದು ಮಹತ್ವದ್ದಾಗಿದೆ, ಏಕೆಂದರೆ ಮಾಡೆಲ್‌ನ ವರ್ತನೆ—ಮತ್ತು ಜಗತ್ತಿನಲ್ಲಿನ ಅದರ ಪರಿಣಾಮಗಳು—ಅತ್ಯಂತ ಸಂಕೀರ್ಣವಾಗಿವೆ. ನಡವಳಿಕೆಗಳ ಸಂಪೂರ್ಣ ಸಮೂಹ, ತರಬೇತಿ ಪ್ರಕ್ರಿಯೆ ಮತ್ತು ನಂತರದ ಪರಿಣಾಮಗಳನ್ನು ಯಾರೂ ತಮ್ಮ ಮನಸ್ಸಿನಲ್ಲಿ ಸಂಪೂರ್ಣವಾಗಿ ಹಿಡಿದಿಡಲು ಸಾಧ್ಯವಿಲ್ಲ, ಆದರೆ ಅನೇಕ ಕ್ರಾಸ್-ಫಂಕ್ಷನಲ್ ಕೊಡುಗೆದಾರರು ಮತ್ತು ವಿಮರ್ಶಕರೊಂದಿಗೆ ನಾವು ಗುಣಮಟ್ಟವನ್ನು ಸುಧಾರಿಸಿ ವಿಶ್ವಾಸವನ್ನು ಹೆಚ್ಚಿಸಬಹುದು.

ಒಂದು ಆಹ್ಲಾದಕರ ಆಶ್ಚರ್ಯವೆಂದರೆ, ನಿಜವಾದ ಒಮ್ಮತವು ಬಹುಸಾರಿ ಸಾಧ್ಯವಾಗುತ್ತದೆ—ವಿಶೇಷವಾಗಿ, ಭಿನ್ನಾಭಿಪ್ರಾಯಗಳು ಸ್ಪಷ್ಟವಾಗುವಷ್ಟು ನಿಖರವಾಗಿ ತ್ಯಾಗಗಳನ್ನು ಬರೆಯಲು ನಾವು ನಮ್ಮನ್ನು ನಾವು ಒತ್ತಾಯಿಸಿದಾಗ.

ಮಾಡೆಲ್ ಸ್ಪೆಕ್ ಕೂಡ ನಿರ್ವಾತದಲ್ಲಿ ಬರೆಯಲ್ಪಟ್ಟದ್ದಲ್ಲ. ಅದರೊಳಗೆ ಸೇರುವ ವಿಷಯದ ಬಹುಪಾಲು ನಡವಳಿಕೆ, ಸುರಕ್ಷತೆ ಮತ್ತು ನೀತಿಯ ಕುರಿತ ವ್ಯಾಪಕ ಕೆಲಸದ ಸಾರಾಂಶವಾಗಿದೆ. ಮಾಡೆಲ್ ಸ್ಪೆಕ್ ಬರವಣಿಗೆಯ ಬಹುಪಾಲು ನಿಜವಾಗಿ ಅನುವಾದವೇ ಆಗಿದೆ: ಈಗಿರುವ ಕೆಲಸವನ್ನು ಅದರ ಮೂಲ ಉದ್ದೇಶವನ್ನು ಕಳೆದುಕೊಳ್ಳದೆ ಇನ್ನಷ್ಟು ಸರಳ, ಹೆಚ್ಚು ಸಮ್ಮತ, ಹೆಚ್ಚು ಸಂಘಟಿತ ಮತ್ತು ಹೆಚ್ಚು ಸುಲಭವಾಗಿ ಅರ್ಥವಾಗುವಂತೆ ಮಾಡುವುದು.

ಹಲವಾರು ಕಾರಣಗಳಿಂದ ನಮ್ಮ ಉತ್ಪಾದನಾ ಮಾಡೆಲ್‌ಗಳು ಇನ್ನೂ ಮಾಡೆಲ್ ಸ್ಪೆಕ್ ಅನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಪ್ರತಿಬಿಂಬಿಸುವುದಿಲ್ಲ.

• ಮಾಡೆಲ್ ತರಬೇತಿ ಮಾಡೆಲ್ ಸ್ಪೆಕ್ ನವೀಕರಣಗಳಿಗಿಂತ ಹಿಂದೆ ಇರಬಹುದು. ಇದು ನಾವು ಸಾಧಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಿರುವ ನಡವಳಿಕೆಯನ್ನು ವಿವರಿಸುತ್ತದೆ, ಆದ್ದರಿಂದ ಇದು ನಮ್ಮ ಇತ್ತೀಚಿನ ಮಾಡೆಲ್‌ಗೆ ತರಬೇತಿ ನೀಡಿರುವ ಸಾಮರ್ಥ್ಯಕ್ಕಿಂತ ಮುಂದಿರಬಹುದು.
• ತರಬೇತಿ ಅನಾಯಾಸವಾಗಿ ಮಾಡೆಲ್ ಸ್ಪೆಕ್‌ಗೆ ಹೊಂದಿಕೆಯಾಗದ ನಡವಳಿಕೆಯನ್ನು ಕಲಿಸಬಹುದು. ಇದನ್ನು ತಪ್ಪಿಸಲು ನಾವು ಬಹಳ ಪ್ರಯತ್ನಿಸುತ್ತೇವೆ. ಆದರೂ ಇದು ಸಂಭವಿಸಿದರೆ, ನಾವು ಅದನ್ನು ಗಂಭೀರ ದೋಷವೆಂದು ಪರಿಗಣಿಸುತ್ತೇವೆ ಮತ್ತು ಅವುಗಳನ್ನು ಹೊಂದಾಣಿಕೆಗೆ ತರಲು ನಡವಳಿಕೆ ಅಥವಾ ಮಾಡೆಲ್ ಸ್ಪೆಕ್ ಅನ್ನು ಸರಿಹೊಂದಿಸಲು ಕೆಲಸ ಮಾಡುತ್ತೇವೆ.
• ಟ್ರೈನಿಂಗ್ ಎಂದಿಗೂ ಸಾಧ್ಯವಿರುವ ಎಲ್ಲಾ ವರ್ತನೆಗಳ ವ್ಯಾಪ್ತಿಯನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಒಳಗೊಳ್ಳಲು ಸಾಧ್ಯವಿಲ್ಲ. ನೈಜ ಬಳಕೆಯಲ್ಲಿ ಅನೇಕ ಅಪರೂಪದ ಸಂದರ್ಭಗಳು ಮತ್ತು ಅಂಚಿನ ಪ್ರಕರಣಗಳು ಇರುತ್ತವೆ; ಅವು ವ್ಯಾಪಕ ಪ್ರಮಾಣದಲ್ಲಿ ಮಾತ್ರ ಕಾಣಿಸಿಕೊಳ್ಳುತ್ತವೆ ಮತ್ತು ಯಾವುದೇ ತರಬೇತಿ ಪ್ರಕ್ರಿಯೆಯೂ ಎಲ್ಲವನ್ನೂ ಒಳಗೊಳ್ಳಲು ಸಾಧ್ಯವಿಲ್ಲ.
• ಸಾಮಾನ್ಯೀಕರಣವು ನಾವು ಉದ್ದೇಶಿಸಿದುದಕ್ಕಿಂತ ಭಿನ್ನವಾಗಿರಬಹುದು. ಒಂದು ಮಾಡೆಲ್ ತರಬೇತಿಯಲ್ಲಿ “ಸರಿಯಾದ” ಔಟ್‌ಪುಟ್‌ಗಳನ್ನು ಉದ್ದೇಶವಲ್ಲದ ಕಾರಣಗಳಿಂದ ಉತ್ಪಾದಿಸಬಹುದು; ಇದರಿಂದ ತರಬೇತಿಯಲ್ಲಿ ಕಂಡ ಸಂದರ್ಭಗಳಿಂದ ಭಿನ್ನವಾಗಿರುವ ಹೊಸ ಸಂದರ್ಭಗಳಲ್ಲಿ ಉದ್ದೇಶವಲ್ಲದ ವರ್ತನೆ ಕಾಣಿಸಬಹುದು. ಚಿಂತನೆ-ವಿಚಾರ ಆಧಾರಿತ ಅಲೈನ್‌ಮೆಂಟ್⁠ ನಂತಹ ತಂತ್ರಗಳು ಸಹಾಯ ಮಾಡುತ್ತವೆ, ಆದರೆ ಅವು ಸಂಪೂರ್ಣ ಪರಿಹಾರವಲ್ಲ.

ಹೆಚ್ಚು ವ್ಯಾಪಕವಾಗಿ ಹೇಳುವುದಾದರೆ, ಮಾಡೆಲ್ ಸ್ಪೆಕ್ ಬಯಸಲಾದ ನಡವಳಿಕೆಗಳ ವಿಶಾಲ ಶ್ರೇಣಿಯನ್ನು ವಿವರಿಸುತ್ತದೆ ಎಂಬುದರಿಂದ ಅವುಗಳನ್ನು ಕಲಿಸಲು ಒಂದೇ ವಿಧಾನ ಇರುವುದಿಲ್ಲ ಎಂಬುದನ್ನು ಸೂಚಿಸುತ್ತದೆ. ನಡವಳಿಕೆಯ ವಿಭಿನ್ನ ಅಂಶಗಳು—ಸೂಚನೆಗಳನ್ನು ಅನುಸರಿಸುವುದು, ಸುರಕ್ಷತಾ ಮಿತಿಗಳು, ವ್ಯಕ್ತಿತ್ವ, ಅನಿಶ್ಚಿತತೆಯನ್ನು ಸಮತೋಲನದಿಂದ ವ್ಯಕ್ತಪಡಿಸುವುದು, ಇತ್ಯಾದಿ—ಅನೇಕ ಬಾರಿ ವಿಭಿನ್ನ ತಂತ್ರಗಳನ್ನು ಅಗತ್ಯಪಡಿಸುತ್ತವೆ ಮತ್ತು ವಿಭಿನ್ನ ವೈಫಲ್ಯ ಮಾದರಿಗಳನ್ನು ಹೊಂದಿರುತ್ತವೆ. ಮಾಡೆಲ್ ಸ್ಪೆಕ್ ಉದ್ದೇಶಿತ ನಡವಳಿಕೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಮತ್ತು ವಿಮರ್ಶಿಸಲು ಸುಲಭಗೊಳಿಸುತ್ತದೆ, ಆದರೆ ಅದನ್ನು ಉತ್ತಮವಾಗಿ ಜಾರಿಗೊಳಿಸುವುದು ಇನ್ನೂ ಒಂದು ಕಲೆ ಮತ್ತು ಸಕ್ರಿಯ ಸಂಶೋಧನೆಯ ಕ್ಷೇತ್ರವಾಗಿದೆ.

ಈ ಪೋಸ್ಟ್ ಜೊತೆಗೆ, ನಾವು ಮಾಡೆಲ್ ಸ್ಪೆಕ್ ಮೌಲ್ಯಮಾಪನಗಳು⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಅನ್ನು ಬಿಡುಗಡೆ ಮಾಡುತ್ತಿದ್ದೇವೆ: ಇದು ಸನ್ನಿವೇಶ-ಆಧಾರಿತ ಮೌಲ್ಯಮಾಪನ ಸಮೂಹವಾಗಿದ್ದು, ಕಡಿಮೆ ಸಂಖ್ಯೆಯ ಪ್ರತಿನಿಧಿ ಉದಾಹರಣೆಗಳೊಂದಿಗೆ ಮಾಡೆಲ್ ಸ್ಪೆಕ್‌ನಲ್ಲಿರುವ ಸಾಧ್ಯವಾದಷ್ಟು ಹೆಚ್ಚು ಹೇಳಿಕೆಗಳನ್ನು ಒಳಗೊಳ್ಳಲು ಪ್ರಯತ್ನಿಸುತ್ತದೆ. ಇದು ಮಾಡೆಲ್ ನಡವಳಿಕೆ ಮತ್ತು ಮಾಡೆಲ್ ಸ್ಪೆಕ್ ಎಲ್ಲಿ ಹೊಂದಿಕೆಯಾಗದೆ ಇರಬಹುದು ಎಂಬುದನ್ನು ನಮಗೆ ಪತ್ತೆಹಚ್ಚಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ ಮತ್ತು ಮಾಡೆಲ್‌ಗಳು ಮಾಡೆಲ್ ಸ್ಪೆಕ್ ಅನ್ನು ನಾವು ಉದ್ದೇಶಿಸಿದ ರೀತಿಯಲ್ಲಿ ಅರ್ಥೈಸುತ್ತಿವೆಯೇ ಎಂಬುದನ್ನು ಪರಿಶೀಲಿಸಲು ಸಹ ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಈ ಮೌಲ್ಯಮಾಪನಗಳು ವ್ಯಾಪಕ ಮೌಲ್ಯಮಾಪನ ತಂತ್ರದ ಕೇವಲ ಒಂದು ಭಾಗ ಮಾತ್ರ; ಇದರಲ್ಲಿ ನಿರ್ದಿಷ್ಟ ಸುರಕ್ಷತಾ ಕ್ಷೇತ್ರಗಳು, ಸತ್ಯನಿಷ್ಠೆ ಮತ್ತು ಅಂಧ-ಒಪ್ಪಿಗೆ, ವ್ಯಕ್ತಿತ್ವ ಮತ್ತು ಶೈಲಿ ಹಾಗೂ ಸಾಮರ್ಥ್ಯಗಳು ಸೇರಿದಂತೆ ನಡವಳಿಕೆಯ ಅನೇಕ ಆಯಾಮಗಳಲ್ಲಿ ಇನ್ನಷ್ಟು ಗುರಿನಿರ್ದಿಷ್ಟ ಮೌಲ್ಯಮಾಪನಗಳೂ ಸೇರಿವೆ.

ಪ್ರಾಯೋಗಿಕವಾಗಿ, ಹೆಚ್ಚಿನ ಸ್ಪೆಕ್ ನವೀಕರಣಗಳು ಪುನರಾವರ್ತಿತ ಇನ್‌ಪುಟ್‌ಗಳ ಸಮೂಹದಿಂದ ಪ್ರೇರಿತವಾಗಿರುತ್ತವೆ:

• ಸಾರ್ವಜನಿಕ ಸಮಸ್ಯೆಗಳು ಮತ್ತು ಪ್ರತಿಕ್ರಿಯೆ. ಗೊಂದಲಗಳು, ಎಡ್ಜ್ ಕೇಸ್‌ಗಳು ಅಥವಾ ವಿಫಲತಾ ವಿಧಾನಗಳು—ಮಾಡೆಲ್ ಸ್ಪೆಕ್ ಭಾಷೆಯಲ್ಲಿ ಅಥವಾ ನಮ್ಮ ಮಾಡೆಲ್‌ಗಳ ವರ್ತನೆಯಲ್ಲಿ.
• ಆಂತರಿಕ ಸಮಸ್ಯೆಗಳು. ಅಭಿವೃದ್ಧಿ ಮತ್ತು ಪರೀಕ್ಷೆಯ ಸಮಯದಲ್ಲಿ ನಾವು ನೋಡುವ ಮಾದರಿಗಳು, ವಿಭಿನ್ನ ಸಮಂಜಸವಾದ ವ್ಯಾಖ್ಯಾನಗಳು ವಿಭಿನ್ನ ನಡವಳಿಕೆಗೆ ಕಾರಣವಾಗುವ ಅಸ್ಪಷ್ಟತೆಗಳನ್ನು ಒಳಗೊಂಡಂತೆ.
• ನಡವಳಿಕೆ ಮತ್ತು ಸುರಕ್ಷತಾ ನೀತಿ ನವೀಕರಣಗಳು. ಉನ್ನತ-ಮಟ್ಟದ ನಿರ್ಬಂಧಗಳು ಅಥವಾ ಬದ್ಧತೆಗಳು ಬದಲಾಗುವಾಗ, ಸ್ಪೆಕ್ ಆ ಹೊಸ ರಚನೆಯನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಪ್ರತಿಬಿಂಬಿಸಬೇಕು.
• ಹೊಸ ಸಾಮರ್ಥ್ಯಗಳು ಮತ್ತು ಉತ್ಪನ್ನಗಳು. ಮಾಡೆಲ್‌ಗಳು ಹೊಸ ನಡವಳಿಕೆಗಳಲ್ಲಿ ಹೆಚ್ಚು ಸಾಮರ್ಥ್ಯ ಹೊಂದಿದಂತೆ ಮತ್ತು ನಾವು ಹೊಸ ಉತ್ಪನ್ನಗಳನ್ನು ಬಿಡುಗಡೆ ಮಾಡುತ್ತಿದ್ದಂತೆ, ಮಾಡೆಲ್ ಸ್ಪೆಕ್ ವಿಷಯ ಮತ್ತು ವ್ಯಾಪ್ತಿಯಲ್ಲಿ ಹೊಂದಿಕೊಳ್ಳಬೇಕು—ಉದಾಹರಣೆಗೆ, ಬಹುಮಾದರಿ ಸಂವಹನಗಳ ನಿಯಮಗಳು⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ), ಸ್ವಾಯತ್ತ ಏಜೆಂಟ್‌ಗಳು⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಮತ್ತು 18 ವರ್ಷದೊಳಗಿನ ಬಳಕೆದಾರರು⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಸೇರಿಸುವುದು.

ಕೆಲವು ವಿನ್ಯಾಸ ತತ್ವಗಳು ಮಾಡೆಲ್ ಸ್ಪೆಕ್ ಅನ್ನು ಬರೆಯುವ ಮತ್ತು ಪರಿಷ್ಕರಿಸುವ ವಿಧಾನಕ್ಕೆ ಮಾರ್ಗದರ್ಶನ ನೀಡುತ್ತವೆ.

• ಸ್ಪಷ್ಟತೆ ಮತ್ತು ನಿಖರತೆ. “ಪ್ರಾಮಾಣಿಕವಾಗಿರಿ” ಎಂಬುದು ಒಳ್ಳೆಯ ಮೌಲ್ಯವಾಗಿದೆ, ಆದರೆ ಅದು ಸಂಪೂರ್ಣ ನಿರ್ಧಾರ ಪ್ರಕ್ರಿಯೆಯಲ್ಲ. ಮಾಡೆಲ್ ಸ್ಪೆಕ್ ಭಿನ್ನಾಭಿಪ್ರಾಯಗಳನ್ನು ಇನ್ನಷ್ಟು ಸ್ಪಷ್ಟಗೊಳಿಸಬೇಕು, ಒಪ್ಪಿಗೆಯಂತೆ ತೋರುವ ಭಾಷೆಯ ಹಿಂದೆ ಅವನ್ನು ಮರೆಮಾಡಬಾರದು. ಸಾಧ್ಯವಾದಲ್ಲಿ, ನಿಯಮಗಳ ನಡುವಿನ ಸಂಭವನೀಯ ಸಂಘರ್ಷಗಳನ್ನು ನಾವು ಸ್ಪಷ್ಟವಾಗಿ ಸೂಚಿಸಬೇಕು ಮತ್ತು ಅವುಗಳನ್ನು ಹೇಗೆ ಪರಿಹರಿಸಬೇಕು ಎಂಬುದರ ಕುರಿತು ಮಾರ್ಗದರ್ಶನ ಅಥವಾ ಉದಾಹರಣೆಗಳನ್ನು ನೀಡಬೇಕು. ಉದಾಹರಣೆಗೆ, Do not lie⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಎಂಬುದು Be warm⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಜೊತೆಗೆ ಇರುವ ಸಂಭವನೀಯ ಸಂಘರ್ಷವನ್ನು ಸೂಚಿಸುತ್ತದೆ; ಇದರಿಂದ ಸಹಾಯಕನು ಸಭ್ಯತೆಯ ಮಾನದಂಡಗಳನ್ನು ಅನುಸರಿಸಬೇಕು ಎಂದು ವಿವರಿಸಲಾಗುತ್ತದೆ, ಆದರೆ ಅದು ಅಂಧ-ಒಪ್ಪಿಗೆ⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಗೆ ತಲುಪುವಷ್ಟು ದೂರ ಹೋಗದೆ, ಬಳಕೆದಾರರ ಹಿತಾಸಕ್ತಿಗೆ ವಿರುದ್ಧವಾಗಬಹುದಾದ ವರ್ತನೆಯನ್ನು ತಪ್ಪಿಸಬೇಕು ಎಂಬ ಅರ್ಥವೂ ವ್ಯಕ್ತವಾಗುತ್ತದೆ.
• ವಿಷಯಸಾರಭರಿತ ನಿಯಮಗಳು. ಒಬ್ಬ ಓದುಗನು ವಾಸ್ತವಿಕ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ತೆಗೆದುಕೊಂಡು, ಇನ್ನೊಬ್ಬ ಓದುಗನು ಅದು ಸ್ಪಷ್ಟವಾಗಿ ಮಿತಿಗಳ ಒಳಗಿದೆಯೇ ಅಥವಾ ಹೊರಗಿದೆಯೇ ಎಂದು ಗುರುತಿಸಬಹುದಾದಂತಹ ಉತ್ತರವನ್ನು ರಚಿಸಲು ಸಮರ್ಥನಾಗಿರಬೇಕು (ಅಂಚಿನ ಸಂದರ್ಭಗಳಲ್ಲಿ ನಿರ್ಣಯದ ಅವಶ್ಯಕತೆ ಇದ್ದರೂ ಸಹ).
• ಸಂಕೇತವನ್ನು ಶಬ್ದದ ಹೋಲಿಕೆಯಲ್ಲಿ ಗರಿಷ್ಠಗೊಳಿಸುವ ಉದಾಹರಣೆಗಳು. ಉತ್ತಮ ಉದಾಹರಣೆಗಳು ಹೆಚ್ಚಾಗಿ ಉನ್ನತ-ಗುಣಮಟ್ಟದ ಸ್ಪೆಕ್ ಅಪ್‌ಡೇಟ್ ಅನ್ನು ರೂಪಿಸುವಲ್ಲಿ ಕೇಂದ್ರವಾಗಿರುತ್ತವೆ. ಉದಾಹರಣೆಗಳು ಮಾಡೆಲ್‌ನ ವರ್ತನೆಯನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸುವಲ್ಲಿನ ತೊಂದರೆಗಳ ಮೂಲಭಾಗವನ್ನು ತಲುಪಲು, ಕಷ್ಟಕರ ಸಂಘರ್ಷಗಳನ್ನು ಮೇಲ್ಮೈಗೆ ತಂದು, ಅವುಗಳನ್ನು ಹೇಗೆ ಪರಿಹರಿಸಬೇಕು ಎಂಬುದರ ಬಗ್ಗೆ ಸ್ಪಷ್ಟ ನಿಲುವು ತೆಗೆದುಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡಬೇಕು. ಎರಡನೆಯದಾಗಿ, ಅವರು ಅಪೇಕ್ಷಿತ ಧ್ವನಿ ಮತ್ತು ಶೈಲಿಯ ಮಾದರಿಗಳಾಗಲು ಪ್ರಯತ್ನಿಸಬೇಕು, ಇದನ್ನು ಗದ್ಯದಲ್ಲಿ ವ್ಯಕ್ತಪಡಿಸುವುದು ಕಷ್ಟವಾಗಬಹುದು.
• ದೃಢತೆ. ನಾವು ಅನಗತ್ಯ ಅಸ್ಪಷ್ಟತೆ ಅಥವಾ ಸಂಕೀರ್ಣತೆ ಹೊಂದಿರುವ ಉದಾಹರಣೆಗಳನ್ನು ತಪ್ಪಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತೇವೆ, ಇದರಿಂದ ಮುಖ್ಯ ಸಂಘರ್ಷ ಮತ್ತು ಉದ್ದೇಶಿತ ಪರಿಹಾರವು ಸ್ಪಷ್ಟವಾಗಿರುತ್ತದೆ.
• ಸ್ಥಿರತೆ ಮತ್ತು ಸ್ಪಷ್ಟವಾದ ಸಂಘಟನೆ. ಮಾಡೆಲ್ ಸ್ಪೆಕ್ ನಿಯಮಗಳು ಪರಸ್ಪರ ಮತ್ತು ನಾವು ಉದ್ದೇಶಿಸಿರುವ ಮಾಡೆಲ್ ನಡವಳಿಕೆಗೆ ಸಂಪೂರ್ಣವಾಗಿ ಹೊಂದಿಕೆಯಾಗುವಂತೆ, ಹಾಗೆಯೇ ದಾಖಲೆಯ ಒಟ್ಟಾರೆ ಸಂಘಟನೆಯನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಮತ್ತು ಸುಲಭವಾಗಿ ಅರ್ಥವಾಗುವಂತೆ ಮಾಡಲು ನಾವು ಪ್ರಯತ್ನಿಸುತ್ತೇವೆ.

ಮಾಡೆಲ್ ಸ್ಪೆಕ್ ಎಂದರೆ ಮುಖ್ಯವಾದ ಎಲ್ಲವನ್ನೂ ನಾವು ದಾಖಲಿಸಬಹುದು ಅಥವಾ ಮಾಡೆಲ್‌ಗಳು ಯಾವಾಗಲೂ ಗುರಿಯನ್ನು ತಲುಪುತ್ತವೆ ಎಂಬುದನ್ನು ಹೇಳುವ ಹಕ್ಕುಹೇಳಿಕೆಯಲ್ಲ. ಉದ್ದೇಶಿತ ವರ್ತನೆ ಸ್ಪಷ್ಟವಾಗಿರಲು, ಕಾರ್ಯಗತಗೊಳಿಸಬಹುದಾಗಿರಲು ಮತ್ತು ಪರಿಷ್ಕರಿಸಬಹುದಾಗಿರಲು ಸಾಕಷ್ಟು ಮುಖ್ಯವಾಗಿದೆ ಎಂಬುದು ಒಂದು ಹಕ್ಕುಹೇಳಿಕೆಯಾಗಿದೆ.

ಯಶಸ್ಸಿನ ಮೂರು ಮಾನದಂಡಗಳು ಅದನ್ನು ನಾವು ಹೇಗೆ ವಿಕಸಿಸುತ್ತೇವೆ ಎಂಬುದಕ್ಕೆ ಮಾರ್ಗದರ್ಶನ ನೀಡುತ್ತವೆ.

• ಓದುಗತೆ. OpenAI ಯ ಒಳಗೂ ಹೊರಗೂ ಇರುವ ಜನರು ನಡವಳಿಕೆಯ ಬಗ್ಗೆ ನಿಖರವಾದ ನಿರೀಕ್ಷೆಗಳನ್ನು ರೂಪಿಸಬಹುದು ಮತ್ತು ನಡವಳಿಕೆ ಅವರಿಗೆ ಅಚ್ಚರಿ ಉಂಟುಮಾಡಿದಾಗ ಪಠ್ಯವನ್ನು ಉಲ್ಲೇಖಿಸಬಹುದು.
• ಕ್ರಿಯಾತ್ಮಕತೆ. ಮಾಡೆಲ್ ಸ್ಪೆಕ್ ಅನ್ನು ಕೇವಲ ಮೌಲ್ಯಗಳನ್ನು ವ್ಯಕ್ತಪಡಿಸಲು ಮಾತ್ರವಲ್ಲ, ಮೌಲ್ಯಮಾಪನಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲು, ಘಟನೆಗಳನ್ನು ನಿರ್ಣಯಿಸಲು ಮತ್ತು ಸತತವಾದ ಉತ್ಪನ್ನ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಬಳಸಬಹುದು.
• ಪರಿಷ್ಕರಣೀಯತೆ. ನಾವು ಕಲಿಯುತ್ತಿದ್ದಂತೆ ಮಾಡೆಲ್ ಸ್ಪೆಕ್ ವಿಕಸನಗೊಳ್ಳಬಹುದು, ಆದರೆ ಅದು ಅಸ್ಥಿರ ಗುರಿಯಾಗದೆ ಸ್ಥಿರತೆಯನ್ನು ಕಾಪಾಡುತ್ತದೆ.

ಮಾಡೆಲ್‌ಗಳು ಮತ್ತು ಉತ್ಪನ್ನಗಳು ವಿಕಸನಗೊಳ್ಳುತ್ತಾ ಹೋದಂತೆ, ಹೊಸ ಸಾಮರ್ಥ್ಯಗಳು ಮತ್ತು ನಿಯೋಜನೆ ಸಂದರ್ಭಗಳಿಗೆ ಅನುಗುಣವಾಗಿ ಮಾಡೆಲ್ ಸ್ಪೆಕ್ ವಿಸ್ತರಿಸಿ ಮತ್ತು ಇನ್ನಷ್ಟು ಸ್ಪಷ್ಟವಾಗುತ್ತದೆ ಎಂದು ನಾವು ನಿರೀಕ್ಷಿಸುತ್ತೇವೆ. ನಡವಳಿಕೆಯ ನಿರ್ದಿಷ್ಟೀಕರಣವು ಸುಸಂಗತವಾಗಿ, ಪರೀಕ್ಷಿಸಬಹುದಾದಂತೆ ಮತ್ತು AGI ಎಲ್ಲಾ ಮಾನವೀಯತೆಗೆ ಪ್ರಯೋಜನವನ್ನು ನೀಡುವುದನ್ನು ಖಚಿತಪಡಿಸುವ ನಮ್ಮ ಧ್ಯೇಯದೊಂದಿಗೆ ಹೊಂದಾಣಿಕೆಯಾಗಿರುವಂತೆ ಉಳಿಸುವುದೇ ಗುರಿಯಾಗಿದೆ.