OuroReward：文生3D强化学习的顺序奖励调度

文生3D（T23D）的强化学习需要优化语义对齐和纹理清晰度等多个质量维度。现有方法通常聚合多个奖励同时优化，没有显式建模维度间依赖，可能导致优化失衡和冲突维度间持续干扰。我们提出OuroReward，一种干扰感知的顺序奖励调度策略。它先估计维度两两依赖，构建累计干扰最小的循环优化路径；加入尾到头依赖，使循环捕捉整个调度的全局兼容性。随后将循环转成一次遍历的序列，从总干扰最低的维度开始。训练不为各维度奖励分配固定预算，而是依据当前奖励剩余改善空间，自适应决定何时转入下一奖励。我们进一步提出AdaSelect，识别与模型当前能力匹配、可靠且有信息量的提示，将策略更新集中在这些提示上以提高训练稳定性。在不同T23D模型与强化学习算法上的广泛实验显示，框架持续改善多个维度的生成质量。