연구진은 실제 환경에서 행동하는 에이전트가 비싼 상호작용에서 온라인 학습을 해야 한다는 점을 지적했어요. RLVR은 결과만을 최적화하고, 실패 그룹의 롤아웃을 낭비하며, 진행 상황에 대한 보상은 검증하기 어렵다는 한계가 있어요. 경로에 대한 벌칙과 결과에 대한 보상을 결합하는 RLVP 방식은 제약 조건을 거의 위반하지 않고 높은 작업 성공률을 달성했어요.