伦敦大学学院、华为诺亚方舟实验室与巴塞尔大学等机构组成的联合研究团队，在多任务语言模型训练领域取得重要进展。其提出的MT-GRPO训练框架通过动态平衡不同任务的学习强度，有效解决了传统方法中"强者恒强、弱者恒弱"的失衡问题。这项发表于arXiv平台的研究（编号：arXiv:2602.05547v1），为构建更可靠的通用型AI系统提供了新思路。
当前主流训练方法存在显著缺陷：一方面对简单任务和复杂任务采用"一刀切"的资源分配策略，如同给食量不同的孩子分配相同份量的食物；另一方面存在大量无效训练样本，导致模型看似忙碌实则进步缓慢。研究团队形象地将这种现象比作"课堂上的走神学生"——即便获得训练机会，也可能因梯度消失问题无法产生实际学习效果。
新框架的核心创新在于双管齐下的改进机制。其"改进感知权重调整"系统突破了传统仅关注任务绝对表现的局限，通过追踪每个任务的进步轨迹动态调整训练重点。当检测到某个任务虽当前得分较低但进步显著时，系统会保持现有训练强度；若发现任务长期停滞不前，则会立即加大资源投入。这种机制确保模型发展既关注当前水平，更重视成长潜力。
配套开发的"比例保持采样器"则解决了训练效率难题。该组件通过预估每个任务的有效学习率，自动过滤无效训练样本。实验数据显示，在传统方法中，若某任务分配30%训练时间但仅30%样本有效，实际学习时间仅9%；而新采样器可将有效学习时间提升至接近理论值，确保资源投入产生实质性回报。
在数字推理、逻辑谜题和抽象模式识别三类典型任务的测试中，新方法展现出显著优势。三任务场景下，最弱任务的准确率较标准方法提升16-28个百分点，较先进方法DAPO提升6个百分点，同时训练步数减少50%。当任务扩展至九个不同难度级别时，通过调节系统参数λ，可在提升最弱任务表现与维持整体性能间实现灵活平衡。
技术实现层面，研究团队将多任务训练转化为约束优化问题，通过数学推导转化为最大最小优化模型。系统采用softmax函数确保任务权重符合概率分布，配合梯度下降算法实现权重动态更新。这种设计既保证了理论严谨性，又确保了工程实现的稳定性。
消融实验证实，改进感知权重调整和比例保持采样器构成系统成功的两大支柱。单独移除任一组件都会导致性能显著下降，验证了理论分析的正确性。研究团队特别指出，当前实验基于30亿参数模型，更大规模模型的适配性有待进一步验证。
这项突破对AI应用产生深远影响。在消费端，未来的AI助手将摆脱"偏科"局限，能够在数学计算、逻辑推理、模式识别等多领域提供均衡可靠的服务。产业界则获得重要技术工具，通过提升模型全面性增强市场竞争力，加速用户信任建立和应用场景拓展。
研究团队将训练过程类比为教练培养运动员：新方法不仅关注运动员的当前成绩，更重视其成长轨迹和潜力挖掘。这种训练哲学推动AI发展从追求单项指标突破转向追求整体能力均衡，为构建真正智能的系统开辟新路径。技术细节详见arXiv平台完整论文。
