a pure grpo trainer for huggingface transformers models

理念

• 声明式训练，避免在代码逻辑中嵌入训练细节。

优势

• 专注 GRPO trainer，代码逻辑无其他兼容细节。
• 支持 dynamic num_iterations (即 动态迭代次数)，使得训练过程更加灵活和准确。

训练采样模式

限制

• only support pytorch
• only support huggingface transformers models
• only support fsdp/fsdp2; deepspeed not supported yet