fix(rl): align GRPO notebook prose with measured baseline

MyIA.AI.Notebooks/RL/rlpt_0f_comparaison_GRPO_TRL_et_PPO_maison.ipynb

@@ -216,7 +216,7 @@
    "id": "1202dd97",
    "metadata": {},
    "source": [
-    "**Lecture chiffree — les reperes pour lire toutes les courbes.** `bruit de fond (politique uniforme sur le contenu) : 0.487` et `plafond glouton : <pA> -> a*8 + bonus = 3.20 | <pB> -> a*8 = 2.40`. Toute recompense de ce notebook se lit entre ces deux bornes : 0.487 = ce qu'une politique qui tire les lettres au hasard marque en moyenne (le bonus positionnel tombe rarement tout seul), 3.20 et 2.40 = le maximum atteignable en repondant systematiquement `a` a chaque position. Ecart preexistant a signaler (hors scope md-only) : la cellule d'introduction juste au-dessus ecrit qu'une politique uniforme \"marque ~0,44 en moyenne\" alors que la sortie committee imprime 0.487 — l'ordre de grandeur tient, le chiffre exact de la prose ne se retrouve pas dans la sortie. Les gains mesures plus bas (0.219 -> 0.815 par exemple) prennent leur sens contre le bruit de fond 0.487 : passer de 0.219 a 0.815, c'est traverser la ligne du hasard, pas toucher le plafond.\n"
+    "**Lecture chiffrée — les repères pour lire toutes les courbes.** `bruit de fond (politique uniforme sur le contenu) : 0.487` et `plafond glouton : <pA> -> a*8 + bonus = 3.20 | <pB> -> a*8 = 2.40`. Toute récompense de ce notebook se lit entre ces deux bornes : 0.487 = ce qu'une politique qui tire les lettres au hasard marque en moyenne (le bonus positionnel tombe rarement tout seul), 3.20 et 2.40 = le maximum atteignable en répondant systématiquement `a` à chaque position. Le 0.487 est une moyenne empirique sur 4 000 réponses tirées avec la graine 7, pas une espérance analytique : une nouvelle graine peut déplacer ce repère. Les deux plafonds correspondent à des prompts différents et ne sont donc pas deux scores concurrents pour une même réponse. Les gains mesurés plus bas (0.219 -> 0.815 par exemple) prennent leur sens contre le bruit de fond 0.487 : passer de 0.219 à 0.815, c'est traverser la ligne du hasard, pas toucher le plafond.\n"
    ]
   },
   {
@@ -234,9 +234,10 @@
    },
    "source": [
     "Deux repères pour lire toutes les courbes de ce notebook : une politique uniforme sur\n",
-    "les lettres marque ~0,44 en moyenne (le bonus positionnel tombe rarement), et la\n",
-    "meilleure réponse possible vaut 3,2 (`<pA>`) / 2,4 (`<pB>`). Un policy à 0,8-0,9 a\n",
-    "donc déjà appris beaucoup — sans pour autant épuiser le monde."
+    "les lettres marque 0,487 en moyenne sur les 4 000 tirages de la cellule précédente\n",
+    "(le bonus positionnel tombe rarement), et la meilleure réponse possible vaut\n",
+    "3,2 (`<pA>`) / 2,4 (`<pB>`). Une politique à 0,8-0,9 dépasse donc le bruit\n",
+    "de fond — sans pour autant épuiser le monde."
    ]
   },
   {
@@ -1498,7 +1499,7 @@
    "id": "169570d3",
    "metadata": {},
    "source": [
-    "**Lecture chiffree — les trois seeds cote a cote, et l'inversion du seed 7.** `seed 1: maison 0.212->0.688 (59s) | trl 0.212->0.742 (41s)` (GRPO devant), `seed 7: maison 0.227->0.897 (62s) | trl 0.227->0.491 (43s)` (GRPO rate son alignement : 0.491, a quatre centiemes du bruit de fond 0.487), `seed 42: maison 0.341->0.949 (56s) | trl 0.341->1.089 (41s)` (GRPO largement devant, la meilleure finale du notebook). Puis le resume : `gain maison : +0.588 ± 0.070  (temps moyen 61s)` et `écart trl-maison : -0.037 (2σ = 0.366) -> INCONCLUSIVE`. La lecture honnete : le seed 7 EST le resultat — un ecart moyen de -0.037 invisible, mais une dispersion qui fait que GRPO tantot depasse large le gain du bras maison (seed 42), tantot n'aligne pas (seed 7) ; le bras maison, lui, gagne dans les trois cas (0.688, 0.897, 0.949) avec une dispersion 2.6 fois plus petite (0.070 vs 0.183 au tableau final). Le 2σ = 0.366 englobe largement le -0.037 : aucune conclusion n'est permise, et c'est la conclusion.\n"
+    "**Lecture chiffree — les trois seeds cote a cote, et l'inversion du seed 7.** `seed 1: maison 0.212->0.688 (59s) | trl 0.212->0.742 (41s)` (GRPO devant), `seed 7: maison 0.227->0.897 (62s) | trl 0.227->0.491 (43s)` (GRPO rate son alignement : 0.491, a quatre milliemes du bruit de fond 0.487), `seed 42: maison 0.341->0.949 (56s) | trl 0.341->1.089 (41s)` (GRPO largement devant, la meilleure finale du notebook). Puis le resume : `gain maison : +0.588 ± 0.070  (temps moyen 61s)` et `écart trl-maison : -0.037 (2σ = 0.366) -> INCONCLUSIVE`. La lecture honnete : le seed 7 EST le resultat — un ecart moyen de -0.037 invisible, mais une dispersion qui fait que GRPO tantot depasse large le gain du bras maison (seed 42), tantot n'aligne pas (seed 7) ; le bras maison, lui, gagne dans les trois cas (0.688, 0.897, 0.949) avec une dispersion 2.6 fois plus petite (0.070 vs 0.183 au tableau final). Le 2σ = 0.366 englobe largement le -0.037 : aucune conclusion n'est permise, et c'est la conclusion.\n"
    ]
   },
   {