随机舍入让 BF16 强化学习后训练收敛速度追平 FP16

随机舍入将 FP32 shadow weights 转为 BF16 后，BF16 RL 后训练的收敛速度可与 FP16 相当。相同学习率下，普通 BF16 明显滞后；主要瓶颈是权重更新的舍入误差，而非前后端 logprobs 不一致。随机舍入为降低显存与带宽成本提供了可行路径。