**GD^2PO：通过组动态奖励解耦策略优化缓解多奖励冲突**

_GD^2PO: Mitigating Multi-Reward Conflicts via Group-Dynamic reward-Decoupled Policy Optimization_

> 针对大语言模型多目标强化学习中奖励信号相互抵消的问题，本文提出了GD^2PO方法。在GDPO的基础上，引入冲突感知过滤机制，屏蔽具有严重奖励分歧的 rollout，并利用查询级重加权动态调整更新强度，从而保留并增强有效的RL优势信号，显著加速学习效率。在工具调用和人类偏好对齐等多个多奖励场景下，GD^2PO 一致优于现有基线方法。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-06-16 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.16771)