Modal 混合加速器异步 RL 训练降本且收敛稳定

Modal 与 nanjiangwill 实验显示，用 MXFP8、MXFP4、NVFP4 等不同精度及不同代际、不同厂商加速器上的采样器执行 RL rollout，本质是 off-policy 操作，配合 off-policy 校正仍能稳定收敛。