大型语言模型（LLM）因能够生成可读的推理过程而被引入交通信号控制（TSC）作为决策代理。现有方法仅依据最终奖励优化，无法区分有效与错误的推理步骤，导致有用和误导的步骤被同等更新，削弱了模型的推理学习。
为解决此问题，本文提出 ProcessLight 框架，将信号决策拆解为可验证的语义步骤。基于 ProcessLight，进一步设计了逐步交通过程策略优化（STeP‑PO）框架，使用强化学习在步骤层面进行信用分配。STeP‑PO 通过步骤质量得分评估局部推理质量，利用步骤重要性衡量每一步对最终动作的影响，并在语义步骤树上计算步骤优势。随后将步骤优势传播到推理 token，实现超越仅结果奖励的细粒度策略优化。
实验在多个真实数据集上进行，结果显示所提方法在收敛速度和控制性能上均优于基线。代码已开源：https://github.com/wenzhaoabc/processlight。
点评