实验预计 60 分钟
把分数再往上推：三轮迭代实验
同一套代码，只改超参和 reward，做三轮对照实验，把 GSM8K 分数推到你能达到的最高点。
学完这节你能做到
- 设计一组只改一个变量的对照实验
- 用固定测试集比较三轮结果，并解释差异来源
- 产出一份能给别人看的实验报告
正文待编写以下是本节已定稿的小节大纲
- 1实验纪律：一次只改一个变量，固定随机种子
- 2第一轮：调 group size G（4 / 8 / 16）
- 3第二轮：调 KL 系数（0 / 0.001 / 0.01）
- 4第三轮：改 reward 权重或加长度惩罚
- 5每轮都在 held-out 测试集上评
- 6报告模板：改了什么、分数变化、你的解释