训练GRPO强化学习时，如果模型思考过程与最终输出结果不一致，应该如何处理？

回答思路

1. 能识别思考过程与结果不一致的典型原因（如奖励噪声、长度惩罚、数据质量）
2. 能分析GRPO奖励模型对推理过程与最终答案的监督差异
3. 能提出针对性解决方案（如改进奖励信号、增加过程监督、调整超参数）
4. 能结合实践说明验证与迭代方法