熵并不足够：通过视觉锚定令牌选择解锁有效的视觉推理强化学习

虽然令牌级熵在文本强化学习中能有效进行信用分配，但在视觉推理中该机制因忽略低熵视觉敏感令牌而失效。现有方法难以平衡精确感知 grounding 与语义推理。为此，本文提出 VEPO 框架，通过原则性乘法耦合整合视觉敏感性与令牌熵，将梯度信用重定向至兼具视觉 grounding 和高信息量的令牌。实验表明，VEPO 在 7B 和 3B 模型上显著优于仅基于熵的基线，分别提升 2.28 和 3.15 分，消融实验进一步验证了方法的有效性。