提出λ-GRPO方法稳定流匹配模型的强化学习训练，通过预算化重要性比率抑制多步去噪中的梯度发散。

提出GPU-CFR新方法，将CFR算法编译为静态数据流与CUDA图重放，实现80倍加速，突破GPU上树遍历计算瓶颈。