VH-GPO：为 LLM 智能体强化学习设计的验证式交接方法

VH-GPO 通过让冻结教师模型修复学生失败轨迹、并在环境验证的最早交接点交还控制权，解决 GRPO 组内奖励全同导致相对优势归零的问题。在 Qwen2.5-1.5B 上，ALFWorld 成功率从 GRPO 的 59.38% 提升至 94.79%，WebShop 从 71.62% 提升至 77.34%，7B 学生模型同样有效。