MiniMax 后训练一面：SFT/RL 数据与 GRPO 细节

MiniMax 大模型算法后训练一面：围绕数据合成与清洗、SFT 与 RL 的先后关系、DPO/PPO/GRPO 与 DAPO 的原理取舍、训练不稳定排查、评测集构建展开，末尾手撕岛屿数量要求 DFS 与 BFS 两种写法。