cwolferesearch 预告 Score Centering 深度长文：解析 RL 训练不稳定性的成因与修复

cwolferesearch 预告将于明早发布 Score Centering 深度技术博客，解析 RL 训练不稳定性的成因与修复。内容将包括 token 级 centered score 的策略梯度公式，并在 FP8/FP4/INT8 低精度训练下对比 GSPO、DAPO、MIS、TIS。