Process-based Self-Rewarding Language Models 论文简介
基于过程的自奖励语言模型：LLM优化的新范式引言大型语言模型（LLM）在多种任务中展现出了强大的能力，尤其是在使用人工标注的偏好数据进行训练时。然而，传统的自奖励范式在数学推理任务中存在局限性，甚至可能在迭代训练中导致模型性能下降。为了解决这些问题，论文《Process-basedSelf-RewardingLanguageModels》提出了一种新的框架，该框架结合了长链推理、逐步LLM评判（L