训练过程中Qwen-7B模型输出无法获得有效结果，使得Reward始终为0.

[taobiaoli1314]

无论是是训练还是benchmark推理Reward都是0。无法达到训练的效果，如下图所示：

我尝试debug查看了在format_reward中，completion_contents的结果始终无法按照system_prompt的要求输出think和answer的格式，而是非常自由的输出结果。导致在format_reward始终为 none，无法解析出answer的结果。

正常情况下LLM只要有system_prompt它就会按照格式要求输出，X-R1中我也看到输入是有system_prompt格式要求，但是模型输出就是不按照格式要求输出，不知道什么原因。

[dhcode-cpp]

1. 请share wandb曲线。
2. 初始阶段reward为0是正常的。