斯坦福论文揭示 bf16 舍入丢失 RL 更新，一行代码修复

论文《bf16 Rounding Silently Discards Most RL Policy Updates》指出，LLM 强化学习后训练中，bf16 舍入可能丢弃大部分单步策略更新，在 Qwen3-1.7B 上每步仅有 0.4–0.5% 的 served 权重发生变化。