问题描述：详细推理下面的公式
✅ 推导过程：
原始公式
第一步：展开 $\tilde{A}_{i,t}$假设
即 $\tilde{A}_{i,t}$ 是当前样本的reward减去所有样本reward的平均。
第二步：将 $\tild
2025-05-12
