OVC依据最终结果分配视觉信息信用，避免统一优势值错误强化或惩罚视觉观察。
推荐理由：单一响应级优势无法区分视觉感知与后续推理的责任，甚至会惩罚正确观察；结果条件化信用有望提升多模态RLVR训练的稳定性与可诊断性。
阅读原文