P^2O：联合策略与提示优化

可验证奖励的强化学习（RLVR）是提升大语言模型推理能力的有效范式，但在面对高难度样本时存在探索效率低下的问题。为此，本文提出 P^2O 框架，协同提示优化与策略优化。该框架利用遗传帕累托算法演化提示模板，引导模型发现成功轨迹，并将由此获得的推理增益蒸馏至模型参数中。这种方法为困难样本提供了更密集的监督信号，加速了收敛。实验表明，P^2O 不仅在分布内数据集上表现优异，在分布外基准测试中也展现出强大的泛化能力。