Approximate KL Penalty

使用新策略与参考策略的 log-probability 列表估计 KL divergence。采用公式 kl = mean(exp(logq - logp) * ((logq - logp) - 1) + 1)。这是 RLHF/GRPO 中常用的、有偏但低方差的策略漂移惩罚估计量。返回标量，并四舍五入到小数点后 6 位。