第 2 部分：Score-based SDE Diffusion（基于评分函数的随机微分方程扩散模型）——为什么扩散模型天然满足 GRPO 的概率策略要求本部分目标第 1 部分已经证明：强化学习（Reinforcement Learning, RL）中的策略必须是一个概率分布：πθ(at∣st)\pi_\theta(a_t|s_t)π