vLLM V0 到 V1 迁移：RL 训练中先修正正确性问题

PipelineRL 在从 vLLM V0（0.8.5）迁移到 V1（0.18.1）时发现 train-inference 不匹配，影响 GSPO 训练的 clip rate、KL、entropy 和 reward。