feat(training): 新增 reward 评分端点 /admin/api/fine-tune/reward/score (Phase1→Phase2 闭环)

[dahai80]

需求

RLSL 两阶段流水线的闭环缺一个 reward 评分端点。

• Phase 1（已落地，feat(training): 新增 reward model 训练端点 (/admin/api/fine-tune/reward/jobs) #424）：reward model 训练，产出带 value head 的 adapter（adapter_config.json 标记 reward_model: true）， Bradley-Terry 损失，score(chosen) > score(rejected)。
• Phase 2（已落地，training: 暴露 GRPO / logprob 端点以支持真实强化学习训练 #363/PR#466）：GRPO PPO-clipped 策略更新，通过 config.reward_endpoint 回调拿 reward：POST {prompt, completions:[str]} -> {rewards:[float]}。

缺口：Phase 1 训出的 reward adapter 没有任何 HTTP 端点把它作为评分服务暴露出来。现有 /admin/api/fine-tune/logprob 返回的是 policy 的 sum log p(completion|prompt)，不是 reward model 的标量分数。因此 Phase 2 的 reward_endpoint 无处可指，两阶段无法闭环。

需求

新增 POST /admin/api/fine-tune/reward/score：

请求: {model_id, adapter_name, prompt, completions: [str]}
响应: {rewards: [float], model_id, adapter_name}

语义：加载 model_id + 已训练的 reward adapter_name（value head），对每个 (prompt, completion) 算标量 reward（RewardTrainer._score 的非可微推理版本：前向取 last-token hidden → value_head 投影），逐项返回。len(rewards) == len(completions)。

• standalone load-and-evict（与 logprob 端点同模式），不进推理池，避免流冲突（见 bug(training): GRPO 训练作业失败 There is no Stream(gpu, 6) in current thread #430）。
• 复用 fusion_mlx/training/reward.py 的 _ValueHead 与 _score 前向逻辑（抽成可复用函数）。

验收

• Phase 1 训完 reward adapter 后，调用本端点可拿到逐 completion 的标量 reward，score(chosen) > score(rejected) 与训练目标一致。
• 把本端点 URL 作为 reward_endpoint 传给 GRPO 作业，GRPO 能跑通真实 reward-guided 策略更新（非 length fallback）。
• fusion-trainer RLSL 流水线 Phase1→Phase2 闭环可跑通真实集成测试。

关联

• 依赖：feat(training): 新增 reward model 训练端点 (/admin/api/fine-tune/reward/jobs) #424（reward 训练端点）、training: 暴露 GRPO / logprob 端点以支持真实强化学习训练 #363（GRPO 端点）、bug(training): GRPO 训练作业失败 There is no Stream(gpu, 6) in current thread #430（GRPO stream bug，需先修才能端到端跑通）。
• 下游：fusion-trainer RLSL Phase 2 真实接入。