Tags: #笔记

第八章：`eval.py`——Base/checkpoint 统一评测

第七章：`train.py`——轨迹到 PPO 张量

第六章：`rollout.py`——多轮轨迹状态机

第五章：`reward.py`——最终答案与稀疏奖励

第四章：`sandbox.py`——代码调用如何变成 observation

第三章：`protocol.py`——消息、文本与 token 边界