请介绍 Verl 框架中强化学习训练的整体数据流，包括 roll-out 生成、奖励函数打分以及优势与 loss 的计算顺序。

回答思路

1. 说明 roll-out 由策略模型与环境交互生成并存储
2. 描述奖励模型或规则对样本打分的环节
3. 解释 GAE 或类似方法计算优势的过程
4. 说明策略 loss 与价值 loss 如何由优势驱动更新