奖励按密度打折：DARS让GRPO不再挤向单一高奖励模式，四峰导航任务模式质量误差降到0.014
最大化期望回报的强化学习容易把概率集中到少数高奖励结果上，DARS在每次同策略采样组内估计结果的局部密度，并按密度倒数缩放奖励，再交给标准GRPO更新。在四峰高斯奖励的导航任务中，GRPO只覆盖一个模式，DARS-GRPO把四个模式的质量恢复到接近各0.25，模式总变差为0.014，而GRPO为0.750。在文生图提示改写上，DARS-GRPO在多个数据集、策略语言模型和奖励设置下同时提高图像与提示多样性，并保持语义对齐。