VERPO以经验证证据约束教师模仿，为模型后训练提供细粒度纠错。
推荐理由：结果奖励只能评价整段输出，教师重放虽更密集却可能传入无关风格；VERPO仅把证据视为修正提案，并用成功验证筛选，可将监督聚焦到真正影响任务结果的决策。
阅读原文