SPARD：通过整合奖励动态与数据效用实现 RL 对齐的自步课程

大型语言模型的演进正从单一可验证任务转向复杂的开放世界场景，给后训练阶段带来巨大挑战。现有方法多依赖固定奖励权重，忽视了非平稳学习动态及数据异构性。为此，本文提出 SPARD 框架，通过感知学习进度建立自动化自步课程，动态调整多目标奖励权重与数据重要性，使学习意图与数据效用同步，以实现最优性能。多基准实验表明，SPARD 显著提升了模型在各领域的能力。