@xiciyang/training-rl

RL（GRPO）薄插件：规则奖励（显式版本）→ β 可推导（β=σ_r/KL*，σ_r 实测）→ training-core 单体档位驱动 TRL GRPOTrainer → 产物级断言 → 合并 → serving 部署 → 偏好对齐 + 遗忘门禁。依赖长任务 1 冻结的六个 @ai-infra/* 共享库。