论文提出DARA加速多奖励强化学习收敛

发生了什么

据Hugging Face Papers 10月1日报道，论文提出密度感知奖励聚合（DARA）方法，用于加速多奖励强化学习收敛。该方法基于奖励在批次层面的活动密度重新加权，对较少活跃的奖励给予更高权重。在工具调用和数学推理实验中，DARA比GDPO收敛更快，工具调用格式合规性训练步骤减少最多26%，数学推理长度合规性训练步骤减少最多65%。