DARA：面向多奖励强化学习的密度感知奖励聚合方法

针对多奖励强化学习中各目标学习进度不均的问题，研究者提出密度感知奖励聚合方法 DARA，通过逆平方根密度校正，为激活频率较低的奖励信号赋予更高权重，且不改变底层策略优化目标。在工具调用任务上，DARA 达到高格式合规所需训练步数比 GDPO 最多减少 26%；在数学推理任务上，接近饱和的长度合规所需步数最多减少 65%，最终性能保持竞争力。