你是一个擅长深度学习与模型分析的AI工程师。现在需要根据一篇论文中的方法，实现一个代码项目：从RL训练得到的模型参数更新中提取主要子空间，并重建一个近似模型检查点。

任务背景

论文指出：在LLM的RL训练过程中，参数更新矩阵ΔW具有两个重要性质：

1. Rank-1 Dominance：更新矩阵的Top奇异子空间贡献了超过99%的性能提升。
2. Rank-1 Linear Dynamics：该子空间在训练中线性演化，可用于早期预测。

基于此，作者提出了AlphaRL框架，通过保留Top k%的奇异子空间来近似完整更新，从而实现加速。

你的任务

实现一个Python脚本，该脚本能够：

• 加载一个基础模型（Base Model）和一个经过RL训练后的最终模型（Trained Model）。
• 计算每层参数的更新矩阵 ΔW = W_trained - W_base。
• 对每个ΔW矩阵进行SVD分解，保留其前 k% 的奇异值及对应的奇异向量（按奇异值从大到小排序）。
• 用这些保留的奇异分量重建更新矩阵 ΔW_recon。
• 将重建的更新矩阵加回基础模型，得到一个新的模型（称为“近似模型”）。
• 将近似模型保存为检查点文件，同时保留配置文件（config.json等）。

输入与输出

• 输入：
  • 基础模型路径（如 dapo32b/base/）
  • 训练后模型路径（如 dapo32b/full/）
  • 保留比例 k（例如 0.01 表示保留Top 1%）
  • 输出路径（如 dapo32b/approx_model/）
• 输出：
  • 保存的近似模型检查点，应包含模型权重和配置文件（保持与原始模型相同的结构）。

请根据上述要求，写出python代码和sh运行脚本。

注意，我们想要测试已经下载好的 32B—DAPO-Qwen-32B trained from the base Qwen2.5-32B using DAPO-Math-17k，希望运行代码能够生成保留Top 1%参数更新的近似模型。