Self-Rewarding Language Models

不能。它是一篇讲训练方法的论文，给出的是自我打分、自我生成指令、迭代偏好训练这套流程，而不是一个能打开就用的产品。想用起来需要自己按论文思路改造训练管线，或者先在小规模实验里验证自评环节是否稳定。

普通对齐里，回答的好坏由人来排序，再拿这些排序结果训练模型。这套方法把排序这一步也交给模型自己做，模型既生成回答又给回答打分，用自评结果训练下一轮模型，从而把人工标注这个最费力的环节大幅压缩。

因为奖励信号不是外部给的，而是模型自己对回答质量的判断。模型先学会当裁判，再用自己给的分数当作奖励去更新自己，下一轮评判能力更强、给出的奖励也更准，形成自我循环。

最关键的是自评是否可信。如果模型对自己的偏好判断有偏差，这种偏差会在逐轮迭代中被放大并固化下来，所以实际使用时通常要保留外部评测或人工抽检作为对照，而不是完全信任模型给自己打的分。