Score centering 通过减偏置项抵消 RL 训练与推理引擎漂移

Score centering 通过减去偏置项，抵消 RL 训练与推理引擎之间的漂移，缓解训练与推理不一致造成的 mismatch。该方法利用校正项校正模型分数，帮助 LLM 强化学习降低训练推理失配带来的影响。