**SA-MRPO:饱和感知优势重加权实现多奖励策略优化**

_Learn What's Left, Not What's Mastered: Saturation Aware Advantage Reweighting for Multi-Reward Policy Optimization_

> 针对多奖励强化学习训练中固定权重标量化导致的梯度分配不均问题,提出SA-MRPO方法。该方法独立标准化各奖励目标,并根据饱和程度自适应调整优化权重,将梯度预算优先分配给仍有提升空间的目标。在数学推理、自适应推理和编码任务上均取得显著提升,AIME24最高提升5%,AMC23最高提升9.2%。

**来源信息**
- **来源**:HuggingFace Daily Papers(社区热门论文)
- **分类**:论文
- **发布时间**:2026-08-18 08:00(北京时间)
- **原文**:[打开原文](https://huggingface.co/papers/2608.16072)