强化学习与可验证奖励（RLVR）已被证实能够提升大语言模型的推理能力，但在长时程多模态任务中的效果仍未充分探索。视觉数独是典型的长时程任务，需要在局部约束和全局依赖链之间进行多步演绎推理。为此我们构建了 FG‑Sudoku 基准，按照网格规模和所需演绎步数进行细粒度划分。实验表明，当前前沿多模态大模型在复杂的长程依赖（如 9×9 数独）上几乎无法取得成功，导致后期训练时奖励极度稀疏，标准 RLVR 难以继续优化。为克服这一瓶颈，我们提出了自适应课程组相对策略优化（AdaC‑GRPO）。不同于固定或基于先验的课程安排，AdaC‑GRPO 通过在线 rollout 准确率实时追踪模型的最近发展区（Zone of Proximal Development），动态构造训练批次，从而在奖励稀疏的环境中保持有效学习。实验结果显示，使用 AdaC‑GRPO 训练后，Qwen2.5‑VL‑7B 的表现接近 Gemini‑2.5‑Flash，并缩小了 62.2% 的整体准确率差距至 Gemini‑2.5‑Pro；此外，在 InternVL‑3.5 和 Qwen3‑VL 上的迁移实验也验证了其良好的通用性。
点评：AdaC‑GRPO 通过实时评估模型能力并自适应调整任务难度，有效缓解了长时程视觉数独中的奖励稀疏问题，为多模态推理任务的 curriculum learning 提供了可行路径。