Self-rewarding-reasoning-LLM：训练能自我奖励推理的大型语言模型，让模型在推理过程中自主评估输出正确性，无需外部反馈。亮点：
-
通过自我奖励机制，模型推理能力提升显著，最终准确率提升最高达14.2%； -
自我修正能力强大，能自动检测错误并优化输出； -
结合强化学习，性能超越依赖外部奖励模型的系统。
参考文献：
[1] http://github.com/RLHFlow/Self-rewarding-reasoning-LLM
（文：NLP工程化）
Self-rewarding-reasoning-LLM：训练能自我奖励推理的大型语言模型