/grpo-rlvr-training

用途概括使用 GRPO 与 RLVR 训练推理及可验证任务行为。提供 TRL GRPOTrainer 配方、复合奖励设计、强制奖励检查门与变体选择。产出经验证的 GRPO 配置，降低奖励黑客风险，在算法可校验任务上强化模型能力。