📖标题：Multi-Objective and Mixed-Reward Reinforcement Learning via Reward-Decorrelated Policy Optimization
🌐来源：arXiv, 2605.13641v1
🛎️文章简介
🔸研究问题：在多任务混合奖励的强化学习环境中，如何克服异构奖励分布差异大及维度间相关性高导致的标量优势构建不稳定问题？
🔸主要贡献：论文提出了奖励去相关策略优化（RDPO）方法，通过两级处理流程显著提升了大模型在后训练阶段的指令遵循、写作质量及鲁棒性。
📝重点思路
🔸提出幅度感知分位数归一化（MAQ），利用对数压缩间隙和逆正态映射，将不同量纲和分布的奖励转化为统一尺度，解决二元、离散及连续奖励混合时的异常值敏感问题。
🔸引入马氏白化技术，在活跃奖励子空间内计算协方差矩阵并进行特征分解，去除共现奖励维度间的冗余信息，避免相同变异被重复计算。
🔸设计有效信息效率指标，从投影均衡性和相关性冗余两个维度量化评估混合奖励聚合质量，指导算法优化方向。
🔸采用指数移动平均在线估计协方差，并仅对当前任务实际观测到的奖励子空间进行局部白化，适应多任务场景下奖励信号动态变化的特性。
🔎分析总结
🔸实验表明 MAQ 能有效降低单条 rollout 主导提示级优势分配的概率，显著提高有效 rollout 参与度，使策略更新更稳定。
🔸马氏白化处理成功降低了代码生成、数学推理等任务子空间内的奖励皮尔逊相关系数，减少了有效信息的冗余损耗。
🔸在 LongCat-Flash 后训练中，RDPO 在 IFEval、WritingBench 及 ArenaHard 等高难度基准上均优于 GRPO 和 GDPO 基线。
🔸组件消融实验证实，归一化与白化模块具有互补效应，前者改善分布敏感型指标，后者提升相关性敏感型任务表现。
💡个人观点
论文发现混合奖励中“尺度不均”与“信息冗余”两大痛点，引入统计学中的马氏距离概念进行动态去相关，结合鲁棒的分位数归一化，巧妙地将复杂的异构信号转化为高质量的优势估计。
