快手提出 DARA：多奖励 RL 训练步数最多省 65%，代码开源

快手团队提出 Density-Aware Reward Aggregation（DARA），针对多奖励 RLHF 中不同目标学习进度不均的问题，代码已开源。在工具调用与数学推理任务上，DARA 比 GDPO 更快学会目标行为：工具调用格式合规最多少用 26% 训练步数，数学推理长度合规最多少用 65% 步数，最终性能持平。