并非所有令牌均等：面向大型视觉 - 语言模型的感知基础策略优化

针对现有基于可验证奖励的强化学习（RLVR）在多模态推理中因均匀分配优势而稀释关键视觉信号的问题，本文提出“令牌视觉依赖”概念，量化视觉输入的因果信息增益。据此，我们设计了感知基础策略优化（PGPO）框架，通过阈值门控机制在令牌级别动态重塑优势分布，放大视觉依赖令牌的学习信号并抑制语言先验噪声。在七个多模态推理基准上的实验表明，该方法平均提升模型性能 18.7%，有效降低梯度方差并防止训练崩溃，实现了鲁棒的感知基础多模态推理。