vLLM V0 到 V1 迁移：RL 训练中先保正确性再谈优化

PipelineRL 通过修复 processed rollout logprobs、V1 运行时默认值、inflight 权重更新路径和 fp32 lm_head 四项问题，使 vLLM V1 在 GSPO 训练中的 clip rate、KL、entropy 和 reward 指标回归 vLLM V0 参考轨迹。