Inkling stable reinforce（SC）开源 RL 训练细节：FP4 权重与 8 分钟长 rollout 仍稳定

Inkling 的 stable reinforce（SC）训练方法可缓解策略滞后（stale policy），即使 rollout 平均时长达 8 分钟、尾部样本更长，训练仍保持稳定。训练与采样均使用 FP4 权重，KV cache 同样采用 FP4；该方法此前尚未有人尝试。