TRL 复现 Modal 混合精度 RL 训练：GRPO 150 步崩塌，SC+MIS 稳到 0.72

TRL 用 Qwen-1.5B 在 AsyncGRPO 中复现 Modal 混合精度 RL 方案：vLLM FP8 采样器配 bf16 训练器。GRPO 约 150 步后崩塌，reward 从 0.56 跌到 0.10，单加 ratio caps 或 MIS 都无效。score centering + MIS 后达 0.72，与 bf16 采样器持平。