rule based看着越是简单，复现越是艰难 从r1报告放出来的那天起，手头做的其他工作都不香了，忍不住砸了大量时间来复现。 复现效果不是很好，并没有出现response length总是越训越长的情况。训练样本的利用效率太低了，很难训出什么 我也不能说自己训出了aha ...