ε (symmetric clip) = 0.20
ε_high (DAPO) = 0.28
τ (SAPO gate sharpness) = 8
直觉：GRPO 是硬剪刀；DAPO 放宽正向上限；SAPO 用平滑门控替代硬截断。
r weight GRPO clip DAPO clip-higher SAPO gate domain: r∈[0,2]
同一条“更新权重 vs ratio r”的曲线：GRPO 是硬截断；DAPO 放宽正向上限；SAPO 用平滑门控逐步衰减（更连续）。