训练推理模型，有点像给学生安排练习：如果一道题每次都答对或都答错，继续做许多遍，得到的新信息往往有限。问题是，常用的 GRPO——让模型对同一道题生成一组回答，再按组内表现更新——通常给每道题相同次数的尝试，算力也就花得不够精细。
Jiang 等人提出 VIGOR。它先让每道题生成少量 rollout（一次包含推理过程和答案的完整尝试），再观察同组答案的奖励方差，也就是结果有多大分歧。分歧越大的题，说明模型正处在“有时会、有时不会”的位置，系统便继续给它追加尝试，直到用完固定预算。这样无需先大量生成再筛选，也不改变原有 GRPO 训练框架。
作者在数学与编程任务上的实验称，VIGOR 达到目标数学准确率时，rollout 效率最高提升 2.3 倍，相当于少用约 57% 的生成轨迹；这提示后训练省钱的关键，未必只是少算，而是把计算留给仍能提供有效反馈的题目。