像辅导一个已经会做加法、却还不会乘法的学生：如果两类题仍分到同样多的练习时间，进步自然会慢。多奖励强化学习也有类似问题——它用正确性、格式等多个评分共同训练模型；其中一项目标接近满分后，仍可能持续影响更新，挤压更难目标的学习空间。
作者提出 SA-MRPO。它先分别计算每项目标的优势值——也就是一次回答相对同组回答好多少；再根据一批回答的平均得分占该目标可达范围的比例，估计“奖励饱和”程度。越接近上限，权重越低。这样重新分配梯度——告诉模型参数往哪里、改多少的信号——甚至可能反转一次更新的方向，而不只是减小力度。
据作者实验，SA-MRPO 在数学推理的 15 组基准比较中有 12 组优于 GDPO，主要改善更难的正确性目标，同时大体维持已满足目标；在受控推理的五项基准上也全部提高准确率。论文抓住的重点不是增加奖励，而是让已经学会的目标适时少说一点话。