多奖励强化学习有个老毛病：让大模型同时满足多个目标时，各奖励的学习信号并不均衡。新论文提出 DARA，按每个批次里各奖励的活跃程度调权重——出现得少的奖励，权重给得更大，策略优化目标不动。工具调用和数学推理实验中，它达到指定合规水平所需训练步数比 GDPO 分别少 26% 和 65%，最终效果也没掉队。
OpenAI 在 10 月 2 日放出 GPT-6 系列使用指南，主题是怎么选模型、怎么优化提示词。说白了就是在时间和成本可控的前提下，把模型能力榨干净。对天天调 API 的团队来说，官方这份说明比第三方教程靠谱。
另一头，AI 生成的论文数量暴涨，审稿体系快撑不住了。arXiv 已经上线最严限流，投稿门槛明显收紧，研究者也开始摸索应对策略，比如调整投稿节奏、换发布渠道。审稿人不够、稿件无限，这个矛盾只会更突出。
三件事看着不挨着，其实都指向效率：训练端想用更少步数换同样效果，使用端想要指南少走弯路，学术端只能靠限流维持秩序。大模型跑得越快，配套的工具和规则就越得跟上。