VAttnPO：视觉注意力引导的策略优化

VAttnPO 用答案条件下的视觉注意力细化 token 级信用，同时保留验证器给出的轨迹平均优势，通过 Jensen–Shannon 散度衡量新旧策略在视觉注意力空间的一致性，并将其转化为对 GRPO 序列优势的零均值位置感知修正。