完成issue5 探索基于COT的奖励模型不同训练方案的优劣

[Ni-Songhao]

所有流程已跑通，验证了DPO的可行性。但是受限于对资源的需求过大，所以只使用了部分数据验证有效性，后续会完成对所有数据的处理，完成验证和ruler-based GRPO进行对比。