SetGRPO：校准评分器导致的策略优化

提出 SetGRPO 方法，通过联合奖励集校准、几何引导安全恢复及选择性风险门控优化，解决评分器随机性导致的 GRPO 更新偏差。 该算法在可交换性假设下提供有限样本边际覆盖，并在 Qwen3.5 和 Llama3.2 模型族上，于涵盖三个领域的十个开放式基准测试中取得最高宏平均值。