所有采样都失败时不再零信号：PICO用教师约束联合解码，把全错组救回可训练轨迹
可验证奖励强化学习在超出模型能力的难题上会遇到学习悬崖：一组采样全部答错时，组内相对优势估计塌缩为零，更新拿不到信号。PICO只在全错组触发分布约束的联合解码，让掌握专家解的教师与学生逐词取候选交集，并用动态截断把采样分布限制在有限散度预算内，生成既通过验证又贴近当前策略的轨迹。在Qwen3-4B-Base与Qwen3-8B-Base上，PICO在AIME25、AIME26、HMMT26、MATH500、GPQA-Diamond与HLE六项评测的平均分分别为32.0和35.4，高于GRPO的27.9和31.8。