# 解耦强化学习训练策略

视觉验证器长期只输出真或假的二值判断，难以区分不同程度的部分正确。OmniVerifier-C1把复杂提示或环境规则拆成细粒度子问题，逐项做二值判断后按满足比例给出连续分数，并用解耦强化学习同时优化子问题判断与全局对齐打分。在ViVerBench上，以Qwen3-VL-8B为基座、经分级监督微调再加分级强化学习的版本总体得分为0.684，高于仅用二值强化学习的0.671。

视觉验证器长期只输出真或假的二值判断，难以区分不同程度的部分正确。OmniVerifier-C1把复杂提示或环境规则拆成细粒度子问题，逐项做二值判断后按满足比例给出连续分数，并用解耦强化学习同时优化子问题判断与全局对齐打分。在ViVerBench上，以Qwen3-VL-8B为基座、经分级监督微调再加分级强化学习的版本总体得分为0.684，高于仅用二值强化学习的0.671。