新预印本称把奖励拆到每个词元可避免训练崩溃

预印本VERPO把教师指导拆成词元级（token级）信用分配，作者称可避免GRPO（按整句估计优势的训练方法）整句打分导致的优化崩溃。

作者自报在五个科学推理与工具使用任务上取得最高多任务平均分，小模型提升更明显。这是作者第一方评测，无独立复现。

方法细节含Fisher移动成本控制器与FEC投影，v4版9月23日更新，是否成立待第三方验证。