[RLHF] DAPO/CISPO/FIPO 的 loss 在梯度累积下被额外除以 gradient_accumulation_steps

Checklist / 检查清单

• I have searched existing issues, and this is a new bug report. / 我已经搜索过现有的 issues，确认这是一个新的 bug report。

Bug Description / Bug 描述

loss_type 为 dapo（cispo/fipo 同样受影响）时，策略 loss 已按整个梯度累积窗口的 completion token 数归一化：

normalizer = grpo_batch.num_items_in_batch / self.accelerator.num_processes
loss = (per_token_loss * completion_mask).sum() / normalizer

num_items_in_batch 由 ga_batch_encoded_inputs 汇总（swift/rlhf_trainers/grpo_trainer.py:803-809），覆盖所有 micro-batch × 所有进程，所以单个 micro-batch 只是全局 token 均值的一部分。

但 transformers.Trainer.training_step 会在 backward 前再除以 current_gradient_accumulation_steps（Accelerator 的 num_steps 被强制为 1，没有二次缩放），于是 loss 和梯度都被额外缩小 G 倍：期望梯度 g，gradient_accumulation_steps=4 时实际只有 g/4。

影响：DAPO 的有效学习率随 gradient_accumulation_steps 变化（G 越大更新越弱），日志里的 loss 也被除以 G。

How to Reproduce / 如何复现

环境：ms-swift main @ 0673cf75、transformers 5.12.1、DeepSpeed ZeRO-3

1. 用 --loss_type dapo --gradient_accumulation_steps 4 起 GRPO 训练；
2. 在 _compute_loss_and_metrics 打印同一个 micro-batch 的 loss；
3. 参数更新量约为 gradient_accumulation_steps=1 时的 1/4。

最小验证：

loss = torch.tensor(2.0, requires_grad=True)
(loss / 4).backward()   # 复现 Trainer 的行为：梯度只有目标值的 1/4

Additional Information / 补充信息

• 相关位置：swift/rlhf_trainers/grpo_trainer.py:1131-1134（归一化分支）；transformers Trainer.training_step
• 修复 PR：#10116（补偿 current_gradient_accumulation_steps，附单测，21 passed）
• grpo/sapo/bnpo/dr_grpo 是按 micro-batch 取均值的，不受影响