强化学习已逐渐成为大语言模型后训练阶段的重要范式，显著提升了模型的推理能力。此类方法通过对每个样本计算优势值（advantage value），反映其表现优于或劣于预期的程度，从而为训练过程提供正向与负向双重信号。然而，现有方法在早期阶段即 indiscriminately（不加区分地）混合正负信号，可能导致指导信息模糊，限制性能提升。为解决这一问题，我们提出 CAPO（Curriculum Advantage Policy Optimization，课程化优势策略优化），一种基于优势信号的自适应课程机制。该机制首先仅利用正向优势样本进行模仿学习，构建稳健的初始基础；随后逐步引入负向信号，以培养模型的判别能力，从而在复杂场景下实现更优的泛化性能。该方法兼容多种优化算法，包括 GRPO、PPO、RLOO 与 Reinforce++，在数学推理任务中持续实现稳定且显著的性能提升，并进一步有效拓展至多模态图形用户界面（GUI）推理场景，展现出卓越的通用性与鲁棒性，成为一种兼具灵活性与高效性的优化框架。