docs: correct length-growth claim with actual 1000-step findings

README.md

@@ -36,8 +36,13 @@ GRPO 對同一題一次抽 8 個回答,**組內互相比較**算出每個回答
 | number_only_reward | `<answer>` 是純數字 | 0.5 |
 
 答案對錯是可驗證的 —— 不會被 reward hacking、也省掉訓 reward model 的成本。
-這就是 DeepSeek-R1 帶起的 RLVR 路線;本專案復刻其招牌現象:
-**completion 長度隨訓練成長、reward 同步爬升**(模型自己學會寫更長的推理)。
+這就是 DeepSeek-R1 帶起的 RLVR 路線。訓練結果:reward 乾淨爬升(從 ~1.4 穩定到
+3.1~3.3,滿分 3.5),strict format 遵循率從 19.5% 衝到 90%。但 **completion 長度
+並沒有隨訓練淨成長** —— 這點特別驗證過:500 步觀察到後又延長訓練到 1000 步重現
+幾乎一樣的結果,排除了「訓不夠久」的可能。更細緻的分析發現模型學到的是「難題多想、
+易題少想」的效率提升(每個難度區間的輸出都比訓練前短,但難題仍分配更多 token),
+而不是無腦的長度成長。完整分析見
+[GitHub README](https://github.com/kuotunyu/grpo-rlvr-reasoning#訓練結果reward-爬升確實但長度隨訓練成長沒有出現)。
 
 ## 訓練曲線
 
@@ -179,7 +184,7 @@ Therefore, Weng earned $10.
 | seed | 3407 |
 
 超參以 Unsloth 官方 GRPO 範例為基準;偏差:LoRA r=32(官方 64)、
-completion 上限 768(官方 200,為觀察長度成長而加大)、
+completion 上限 768(官方 200,為推理長度留觀察空間而加大,實測並未觀察到淨成長)、
 strict_format regex 修正了官方版缺 re.DOTALL 導致多行推理永不匹配的問題。
 
 ## 資料與污染聲明