BoT-GRPO1 篇实战文章

一次 rollout 里所有 token 共用一个 advantage，问题在哪？ 代码生成上最明显。一段代码几十上百个 token，编译过不过是个 0/1。这个结果被打包成整段奖励，再平均撒回每个 token。变量名写错了，和 import 顺序没问题，拿到同一个分数。