PRPO：通过令牌级动态优势重塑实现感知强化策略优化

针对现有可验证奖励强化学习（RLVR）在多模态推理中依赖轨迹级奖励导致信用分配粗糙的问题，本文提出感知强化策略优化（PRPO）。该方法引入鲁棒视觉依赖（RVD）指标识别关键感知令牌，并利用感知优势重塑（PAR）技术进行令牌级信用分配，增强视觉证据的 Supervision。实验表明，PRPO 在多个基准上显著优于现有基线，提升了训练效率与跨任务泛化能力，证明了细粒度信用分配对多模态推理的重要性。