arXiv 2026年10月5日该工作提出 PTH（Probe The Harness）检查清单，并以 SAN 与截断重要性采样（TIS）在 verl 与单 GPU 训练器上的对比为案例，指出 PPO 比率取自学习器自身重算概率、数据种子未到达 TIS 分支、回放队列首个批次被复用 33 次更新、两个损失归一化器与描述不符这四处框架细节会反转方法排名；检查框架后，TIS 在 verl 上与 SAN 持平，在训练器中 TIS 稳定学习而 SAN 保持一定优势。该工作提出 PTH（Probe The Harness）检查清单，并以 SAN 与截断重要性采样（TIS）在 verl 与单 GPU 训练器上的对比为案例，指出 PPO 比率取自学习器自身重算概率、数据种子未到达 TIS 分支、回放队列首个批次被复用 33 次更新、两个损失归一化器与描述不符这四处框架细节会反转方法排名；检查框架后，TIS 在 verl 上与 SAN 持平，在训练器中 TIS 稳定学习而 SAN 保持一定优势。PTH 检查揭示：实验框架的四处细节可反转陈旧数据强化学习方法的排名，修正后 TIS 在 verl 上与 SAN 持平该工作提出 PTH（Probe The Harness）检查清单，并以 SAN 与截断重要性采样（TIS）在 verl 与单 GPU 训练器上的对比为案例，指出 PPO 比率取自学习器自身重算概率、数据种子未到达 TIS 分支、回放队列首个批次被复用 33 次更新、两个损失归一化器与描述不符这四处框架细节会反转方法排名；检查框架后，TIS 在 verl 上与 SAN 持平，在训练器中 TIS 稳定学习而 SAN 保持一定优势。该工作提出 PTH（Probe The Harness）检查清单，并以 SAN 与截断重要性采样（TIS）在 verl 与单 GPU 训练器上的对比为案例，指出 PPO 比率取自学习器自身重算概率、数据种子未到达 TIS 分支、回放队列首个批次被复用 33 次更新、两个损失归一化器与描述不符这四处框架细节会反转方法排名；检查框架后，TIS 在 verl 上与 SAN 持平，在训练器中 TIS 稳定学习而 SAN 保持一定优势。